art网络的鲁棒性增强方法研究

《art网络的鲁棒性增强方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、４击种成＊葦ＡＮＤＴＯＦＣＨＩＮＡＵＮＩＶＥＲＳＬＩＩＥＮＣＥＥＣＨＮＯＬＯＧＹＩＴＹＯＦ巨ＥＣＴＲＯＮＣＳＣ：硕±学位论文ｉＭＡＳＴＥＲＴＨＥＳＩＳ■－？换二毫，一憑；：－＾續ＶｉｆｊｗＢＢｆＩ论文题目ＡＲＴ网络的鲁棒性增强方法妍究＊：啤峯学科专化通信与信息系统－．＇：ｙ２０１３２１０１０６２９学号？＇ＶＶ＇■作者姓名陈建辉：－指营教师孙健嵩级工程师＇。ＶＶ：．；．＇Ｘ：苗ｖ：■ｉ

2、独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究王作及取得的研究成果。据我所知，除了文中特别加标注和致谢的地方夕ｈ论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。作者签名；化主吗日期：ｙ／ｉ年＾月＾《日论文使用授权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部口或机构送交论文的复印

3、件和磁盘，允许论文被查阅和借阅。本人授权电子科技大学可将学位论文的全部或部分内容编入有关数据库进行检索，可采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后应遵守此规定）作者签名；Ｔ东＇支句导师签名：采术侣日期；！。，居年月：日分类号密级注1UDC学位论文ART网络鲁棒性增强方法研究（题名和副题名）陈建辉（作者姓名）指导教师孙健高级工程师电子科技大学成都（姓名、职称、单位名称）申请学位级别硕士学科专业通信与信息系统提交论文日期2016.5.3论文答辩日期2016.5

4、.23学位授予单位和日期电子科技大学2016年6月答辩委员会主席评阅人注1：注明《国际十进分类法UDC》的类ArtNetworkRobustnessEnhancementMethodResearchAMasterThesisSubmittedtoUniversityofElectronicScienceandTechnologyofChinaMajor：CommunicationandInformationSystemsAuthor：ChenJianhuiSupervisor：A.Prof.SunJianSchool：

5、SchoolofCommunicationandInformationEngineering摘要摘要人工神经网络(ArtificialNeuralNetworks,ANN)是一种模仿人脑对信号处理处理过程的人工信号处理系统。其记录和处理信息的能力是通过连接成人工神经网络的神经元之间的权值变化来实现的。人工神经网络是一种高度非线性信号处理系统，具有良好的并行处理能力和抗噪性能。人工神经网络主要应用在学习、分类和预测等领域，并已经开发出适用于各种应用环境的人工神经网络。其中自适应共振理论模型(AdaptiveResonan

6、ceTheory,ART)因为稳定性-可塑性问题上有良好的表现而得到广大研究者的青睐。自适应共振理论模型2(AdaptiveResonanceTheory2,ART2)是ART网络家族中最具代表性的一个网络，是目前ART网络应用和研究的重点，因此文章在研究ART网络鲁棒性增强时将具体的研究集中在ART2网络上。ART2网络在继承了ART网络的所有优点的同时也存在着输入幅度信息丢失、模式漂移、类别分割、噪声等影响网络鲁棒性的问题。本文主要针对ART网络的鲁棒性增强研究，研究对象是ART网络的模式漂移、类别分割和噪声等三个

7、方面的问题。并提出了延迟修正算法减缓模式漂移现象；引入聚类思想解决类别分割问题；引入艾宾浩斯记忆-遗忘曲线解决噪声问题。本文首先从互联网时代的大数据分析入手，分析了ART网络对大数据分析的重要意义，从而论证的ART网络的具有良好的实际研究意义。然后进一步研究传统ART网络的结构和算法原理，分析其优缺点和该理论目前的研究现状。在此基础上重点研究了模式漂移对网络结果的稳定性影响、输入顺序对网络结果准确性影响和噪声对网络结果的影响三个问题。并提出了“预防为主，治理为辅，防治结合”的改进策略解决ART2网络的模式漂移和输入顺序

8、问题；引入艾宾浩斯记忆-遗忘曲线增强了ART2的抗噪信息的算法改进，通过MATLAB仿真实验对改进结果进行了论证。最后在文章的末尾对本文工作内容和创新做了总结，并指出了后续研究方向。关键词：人工神经网络，自适应共振理论模型，鲁棒性，模式漂移，记忆-遗忘机制IABSTRACTABSTRACTArtificialNeuralNetwo