| 【中文题名】 | 多种神经网络结构在树叶形状分类中的应用和比较 |
| 【英文题名】 | The Application and Comparison on Shape Classification of Leaves Based on Three Type Neural Networks |
| 【学科专业】 | 计算数学 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-3 |
| 【中关键词】 | 神经网络,树叶形状分类,多层前馈型网络,RBF网络,SOM网络, |
| 【英关键词】 | |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
作为一门活跃的边缘性交叉学科，人工神经网络从提出至今已经取得了令人瞩目的成就，并在实际生活中得到了广泛的应用。它的发展和研究也得到更多的关注。本文对神经网络的发展进行了综述，并利用不同的神经网络对具体问题进行了实现。
基于其强大的学习和模拟能力，神经网络常被人们用来处理分类问题。通过学习一定的样本集，对新的输入模式进行识别，从而实现分类。本文选取三种不同的神经网络结构：多层前馈型网络，RBF网络和SOM网络，针对Iris数据集，实现了树叶形状的分类。并对三种神经网络的性能进行了比较。结果表明通过选择合理的神经网络结构、学习方法以及各种训练、学习的参数，三种神经网络都可以较好的完成对树叶形状的分类工作。 |
| 【论文题纲】 |
|
提要 |
4-7 |
|
第一章 神经网络发展及分类 |
7-14 |
|
§1.1 神经网络的发展 |
7-10 |
|
§1.2 人工神经网络的特点 |
10-11 |
|
§1.3 神经网络的分类 |
11-14 |
|
第二章 三种神经网络结构及其算法 |
14-20 |
|
§2.1 前馈型网络 |
14-17 |
|
§2.1.1 单层前馈型神经网络 |
14-15 |
|
§2.1.2 多层前馈型网络 |
15-16 |
|
§2.1.3 BP网络 |
16-17 |
|
§2.2 RBF网络 |
17-19 |
|
§2.2.1 RBF网络的结构 |
17-19 |
|
§2.3 SOM网络 |
19-20 |
|
第三章 树叶形状分类问题及其实现 |
20-29 |
|
§3.1 树叶形状的特征参数 |
20-21 |
|
§3.2 输入模式的预处理 |
21-22 |
|
§3.2.1 目标值的数值化 |
21-22 |
|
§3.2.2 数据的使用 |
22 |
|
§3.3 带有隐藏层的多层前馈型神经网络实现分类 |
22-24 |
|
§3.3.1 隐藏层神经元个数 |
22-23 |
|
§3.3.2 学习速率η的选择 |
23 |
|
§3.3.3 感知器算法 |
23-24 |
|
§3.3.4 向后传播算法 |
24 |
|
§3.4 RBF网络实现分类 |
24-27 |
|
§3.4.1 基函数中心C_p的选取 |
24-25 |
|
§3.4.2 正交最小二乘法 |
25-26 |
|
§3.4.3 伪逆法 |
26-27 |
|
§3.5 SOM网络实现分类 |
27-29 |
|
§3.5.1 SOM算法 |
27-29 |
|
第四章 算例及参数分析 |
29-37 |
|
§4.1 FFNN算例及结果 |
29-32 |
|
§4.1.1 隐藏层神经元数量 |
29-30 |
|
§4.1.2 迭代次数 |
30-31 |
|
§4.1.3 学习速率 |
31-32 |
|
§4.1.4 识别结果 |
32 |
|
§4.2 RBF网络算例及结果 |
32-34 |
|
§4.2.1 聚类中心数量的选取 |
32-33 |
|
§4.2.2 激活函数半径的选取 |
33 |
|
§4.2.3 识别结果 |
33-34 |
|
§4.3 SOM网络算例及结果 |
34-35 |
|
§4.3.1 权重修正规则 |
34 |
|
§4.3.2 识别结果 |
34-35 |
|
§4.4 结果及不足 |
35-37 |
|
参考文献 |
37-39 |
|
中文摘要 |
39-42 |
|
Abstract |
42-46 |
|
致谢 |
46 |
|
| 【DOI】 | LunWen.ID:2.2008.388723 |
