一种用于模式分类有监督的模糊ART神经网络

探讨了一种将有监督学习机制融合到模糊ＡＲＴ网络构成一个有监督的模糊ＡＲＴ神经网络模型,这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力,对该网络进行了滚动轴承检测数据模式分类实验,并与ＢＰ网络进行了比较性实验,结果表明：该网络具有良好模式分类能力和较好的可塑性。     

神经网络用于模式识别分类的改进算法

用ＢＰ神经网络算法进行模式识别分类,即使对一个训练比较好的网络也极有可能出现样本的导师模式（真实模式）与网络判定模式不符的情况,即会出现误判样本。当待判样本与某一误判训练样本比较接近时,网络很可能对其造成模式误判。为此,本文通过引入训练样本的正、误判子集及定义在其上的待判样本的距离,将距离算法和ＢＰ算法相结合,提出了解决这一问题的新方法。     

基于改进ART2神经网络的绝缘子故障在线诊断

根据绝缘子在线检测的特点,提出了基于改进ART2神经网络的绝缘子故障在线诊断技术．改进的ART2神经网络在F2层增设初始状态层,即F2层分为上子层F22和下子层F21．F22层存储绝缘子首次投运时的初始状态和已知的典型故障类型,F21层存储新增故障类型．在绝缘子故障诊断过程中,首先应用电晕电流脉冲测量仪在线测量绝缘子的电晕电流脉冲,然后绘制电晕电流脉冲的N-ψ图,并将其作为故障诊断的特征量送入改进的ART2神经网络进行模式识别．被检测的特征量先与F22层中的初始状态和已知的典型故障类型进行比较,如果匹配则判为该类;如果不匹配,再与F21层中的新增故障类型进行比较;如果都不匹配,则在F21层中创建新增故障类型．改进ART2神经网络解决了传统ART2神经网络聚类中心漂移问题,杜绝了绝缘子故障漏判的发生．仿真实验结果表明,应用改进的ART2神经网络可有效实现绝缘子故障在线检测,获得较好的诊断结果．     

基于双重竞争共振机制的模糊ART神经网络

提出了一种基于双重竞争共振机制的模糊ART神经网络模型．该模型将输入节点的竞争共振机制引入到输出类别节点,采用输入节点和输出节点双重竞争共振机制,形成了一种新的模糊ART结构,解决了传统模糊ART网络记忆不稳定问题．将该模型应用于图像分割,解决了传统模糊ART网络图像分割结果随警戒参数的升高而出现的过度分割．实验结果表明,和原始模糊ART算法相比,新算法具有更好的分类识别性能,在飞机目标识别中平均识别率比原始算法提高3％～5％．     

ART－2神经网络分类器的研究

ＡＲＴ神经网络是按照自适应谐振理论建立的一种自组织的人工神经网络，本文通过分析ＡＲＴ神经网络的结构，发现其用于模式识别中有很好的聚类特性，但在数据处理过程中有部分数据量丢失的现象，也就是说，非常重要的幅度信息没有被考虑到。本文提出一种新的结构和相应的新算法，并成功地把这种结构和算法用到分类器设计中。这种结构增加了一套幅度调整子系统对幅度信息先进行匹配，选出合适的几个类别来限定以后的分类；然后再根据相位信息来进一步从可选类中选出最相近的类来，这样系统进入谐振状态，开始网络系数的调整。如果其中任何一个步骤失败，即不能满足预先给出的阈值，我们就开劈新类或放弃这个样本，由于原先系统的运算量主要分布在网络的注意子系统的迭代过程和搜索过程、调整子系统的校验过程中，加入幅度调整子系统减小了搜索范围，因此运算量明显减少。实验表明新的网络结构用作模式分类时能适应更一般的情况，而且其分类速度也有明显提高。     

基于ART2A-E神经网络的数字调制识别

在分析经典的ART2／2A网络基础上,提出了一种基于ART2A—E神经网络的自动数字调制识别分类器,并测试了分类器对2PSK、4PSK、OQPSK、GMSK、π/4OQPSK、4ASK6种数字调制信号的识别能力．仿真结果表明,该分类器对这6种数字调制信号在信噪比为8dB条件下识别率达到90％以上,而且在不影响网络已记忆模式情况下能自动对未学习模式进行新的聚类,提高了自动调制分类器的自适应性和可扩展性．减少了错判概率．     

鲁棒性增强的ART1神经网络

本文详细讨论了ＡＲＴ１神经网络实现算法过程中匹配因子的选择，提出了适用于消除信号噪声以及恢复信号中部份缺损的信息的匹配因子．从而提高了ＡＲＴ１在进行模式分类的工作性能，改善了ＡＲＴ１抗噪性能，一定程度实现了从部份信息丢失的信号中联想恢复出完整信号，增强了ＡＲＴ１的鲁棒性．     

基于ART神经网络的汉字识别

针对汉字的多样性和相似性不同于西方字母,识别相对困难的问题,提出了基于ART神经网络的汉字识别方法．在识别前,利用OpenCV（开源计算机视觉库）将汉字进行图像处理,为后续识别提供输入数据;然后经ART神经网络对输入数据进行训练识别．采用8组相似度较高的汉字作为样本进行实验,证明了方法的有效性．     

彩色模式识别中的神经网络

提出实拍标准彩色集、建立纠偏数据库的方案，以减轻偏色的影响；构造一个两级人工神经网络系统，分别为纠编数据库的快速匹配、色彩集的快速变换提供了保证。     

改进的ART1网络及其在英文字符识别中的应用

 通过实验发现传统的ART1人工神经网络的分类结果和输入样本的顺序有关.分析并指出了原因,给出了相应的改进算法.最后,比较了传统算法和改进算法应用于英文字符识别的分类结果.     

基于改进算法的ART2网络用于微晶玻璃颜色分类

微晶玻璃颜色分类是最终控制产品质量的重要步骤，作者改进了传统ART2网络的学习算法，借用典型向量的概念，以模式的近似均值作为典型向量来飞速学习新模式，改进学习算法极大地改善了ART2网络的模式漂移现象，而且短搜索振荡过程，文中分析了微晶玻璃颜色分量的统计信息，经过适当变换高维颜色特征映射到16维特征空间中的一个超平面上，以超平面上的特征点作为改进算法ART2网络的输入进入网络分类器进行学习分类，实验证明改进算法网络用于微晶玻璃颜色分类时，运行正确，可靠，具有很高的正确识别率。     

基于模糊ART—2的神经网络火灾探测系统

提出将ＡＲＴ－２神经网络与模糊系统串联而成的模糊ＡＲＴ－２神经网络系统并用于火灾探测，使其对火灾信号具有很好的聚类特性，实验结果表明，该系统比ＢＰ神经网络火灾探测系统具有更强的适应环境的能力，能够更快，更准确地探测各种标准试验火并具有很强的抗干扰能力。     

用改进的ART模型实现智能数据库系统

在传统的离散ＡＲＴ模型基础上，提出了一种新的神经网络模型，并用该模型实现了一种大容量智能数据库管理系统，该系统能按信息的内容实现存贮，且能进行智能检索（联想）。     

ART1神经网络在隧道围岩分类中的应用

将自适应共振理论(ART)神经网络模型用于隧道围岩分类,改进了ART1神经网络的工作过程,通过自适应的学习记忆过程,建立了分类模型,有效地避免了人为主观因素的干扰.利用川藏公路二郎山隧道围岩分类样本对模型进行检验,结果表明,ART1神经网络模型性能良好,对隧道围岩分类的精度较高,是一种值得推广和应用的围岩智能分类方法.     

基于多传感器的神经网络模式识别方法

提出基于样本信息量不减少和减小误差的原则下，提取样本数据的综合指标的处理方法，从而克服传统识别方法中样本数据过大，而且存在误差和干扰，严重影响识别速度和效果的困难。改善了神经网络模式识别的效果。     

一种应用于模式识别的神经网络模型

本文首先引入了感知神经元，建立了一种应用于模式识别的三层神经网络模型．对于任一组二元标准模式（二元图象或特征值序集），我们根据给定模式及要求设计神经网络，使之对输入模式进行识别．这种神经网络结构明确，易于实现，其实施有助于提高模式识别系统的执行速度与识别能力．     

基于ART2神经网络的入侵检测方法

提出基于ART2神经网络的入侵检测方法.采集基于主机和基于网络的入侵特征数据,分析入侵行为的空间和时间关联性,并对入侵特征数据中的关联信息进行处理,提取入侵行为之间的关联性,降低入侵检测算法的复杂性;利用ART2算法的自学习能力、自组织能力、良好的稳定性和可塑性以及快速识别能力,实现对用户行为的近实时检测,取得了较高的检测准确率,在识别未知攻击方面具有较好的性能.     

一种新的神经网络畸变不变模式识别方法

本文以Ｗｉｄｒｏｗ等人的方法为基础，提出一种新的神经网络畸变不模式识别方法－－最小距离畸变不变模式识别网络。数值模拟显示，新方法具有完全的畸变不变性，相当高的识别精度、实时的识别速度、强大的抗噪能力、极短的自适应时间以及显著降低的运算量。