一种模糊构造性神经网络及其应用

摘要：

由Vapnik等提出的支持向量机(SVM)理论,成功地解决了分类器的构造问题,对线性可分的二分类样本可由支持向量决定的最优超平面分开,而对非线性可分的二分类样本,可通过选择适当形式的核函数和参数,使其在特征空间中线性可分.但SVM 方法需要求解二次规划,对多分类问题,需要构造SVM 决策树,复杂度较高。交叉覆盖算法用超平面切割超球面而成的球形领域作神经元构造神经网络,分类能力强,运行速度快,较好地解决了一些难解问题,但有覆盖数较多和存在拒识样本的不足。本文在分析RBF核函数性质的基础上,将覆盖算法、模糊集与SVM相结合,给出一种新的构造性神经网络。实例显示与传统分类方法、SVM 方法和一般覆盖网络相比,这种算法都是高效的。

关键词： 核函数 交叉覆盖 构造性学习 神经网络 支持向量机

作者: 吴涛 陈黎伟 毛军军 张铃

作者单位: 南京大学计算机软件新技术国家重点实验室,南京大学计算机科学技术系,南京210093;安徽大学智能计算与信号处理教育部重点实验室,合肥230039;安徽大学数学与计算科学学院,合肥230039 安徽大学数学与计算科学学院,合肥230039 安徽大学智能计算与信号处理教育部重点实验室,合肥230039;安徽大学数学与计算科学学院,合肥230039

会议类型: 国内会议

会议名称: 第26届中国控制会议

会议地点: 湖南张家界

会议语种:中文

页码: 217-221

在线出版日期: 2007-07-26（万方平台首次上网日期，不代表论文的发表时间）