欢迎来到天天文库
浏览记录
ID:37066041
大小:1.22 MB
页数:59页
时间:2019-05-17
《模式分类中概率神经网络算法的研究》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、分类号:TP39单位代码:10183研究生学号:2015532096密级:公开吉林大学硕士学位论文(学术学位)模式分类中概率神经网络算法的研究ResearchonProbabilisticNeuralNetworkAlgorithminPatternClassification作者姓名:闫雄专业:计算机应用技术研究方向:计算智能指导教师:刘小华副教授培养单位:计算机科学与技术学院2018年5月模式分类中概率神经网络算法的研究ResearchonProbabilisticNeuralNetworkAlgorithminPatternClassification作者姓名:闫雄
2、专业名称:计算机应用技术指导教师:刘小华副教授学位类别:工学硕士答辩日期:2018年月日未经本论文作者的书面授权,依法收存和保管本论文书面版本、电子版本的任何单位和个人,均不得对本论文的全部或部分内容进行任何形式的复制、修改、发行、出租、改编等有碍作者著作权的商业性使用(但纯学术性使用不在此限)。否则,应承担侵权的法律责任。吉林大学硕士学位论文原创性声明本人郑重声明:所呈交的硕士学位论文,是本人在指导教师的指导下,独立进行研究工作所取得的成果。除文中已经注明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体,均已在
3、文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名:日期:2018年月日《中国优秀博硕士学位论文全文数据库》投稿声明研究生院:本人同意《中国优秀博硕士学位论文全文数据库》出版章程的内容,愿意将本人的学位论文委托研究生院向中国学术期刊(光盘版)电子杂志社的《中国优秀博硕士学位论文全文数据库》投稿,希望《中国优秀博硕士学位论文全文数据库》给予出版,并同意在《中国博硕士学位论文评价数据库》和CNKI系列数据库中使用,同意按章程规定享受相关权益。论文级别:■硕士□博士学科专业:计算机应用技术论文题目:模式分类中概率神经网络算法的研究作者签名:指导教师签
4、名:2018年月日作者联系地址(邮编):吉林省长春市吉林大学前卫南区南苑八公寓作者联系电话:18943005721摘要摘要模式分类中概率神经网络算法的研究我们能识别出生活中各种各样的事物,将不同属性的东西分门别类,这种行为可以用一个专业术语来表达--模式识别(模式分类)。人类希望计算机也能够进行或者扩展人类的这种智能行为,基于模式识别、机器学习、深度学习等的发展,人工智能作为这些概念和学科的父类,已成为当代最热门的话题和领域。因此研究模式分类中的相关理论方法具有重要意义。贝叶斯决策论是统计模型决策中的基本理论方法,可以解决模式识别中的最为理想的分类问题,在已知先验概率和类
5、条件概率密度的情况下,通过贝叶斯公式得到后验概率从而做出最小错误率的决策。人工神经网络(ArtificialNeuralNetwork,ANN)是当下最热门的人工智能(AI)领域中的重要基点,ANN模仿动物神经网络的行为特征,进行分布式的、并行的信息计算与处理。D.F.Specht在1990年提出了概率神经网络(ProbabilisticNeuralNetwork,PNN),该算法将贝叶斯决策理论与ANN相结合,不仅学习过程较为简单,训练速度比较快,同时分类结果也较为准确,并且容错性也较好,被广泛运用于各种领域的模式分类问题中。PNN算法使用Parzen窗估计法估计样本总
6、体分布的概率密度函数,对样本的代表性和数量具有较高的要求,训练样本较少的时通常会效果不够理想,而大量的训练样本又会增大计算量。PNN算法只有一个变量,单一的全局变量让神经网络的训练变得简单,但同时也会掩盖待分类模式的局部分布特点和异质性。本文针对PNN存在的问题以及立足于相关研究,在PNN算法的基础上提出了几点改进:首先在PNN的结构模型上做出改变,在原有的网络结构上增加了一个特征层,该层用于对特征进行升维;其次抛弃单一全局变量而采用异质PNN的方式(在模式层采用混合高斯模型,每一个模式的输入都是一个分离参数的高斯模型);在求和层(又称为类别层)取最大值作为下一层的输入。
7、论文最后在基准分类数据集上验证改进后的PNN的性能,实验使用了UCI数据库中的3个基准分类数据数据集wine,Iris,breastcancer,论文中比较了改进后的PNN与传统PNN在3个样本集上的分类效果,并且也与SVM、随机森林算法进行了比较。实I摘要验由两个步骤组成,首先我们将所有数据用于模型的训练,并用来测试;然后将分类数据集中的数据按照一定的比例分为训练数据和测试数据进行训练以及测试。通过实验发现,改进后的PNN在训练数据上分类表现非常好,在三个数据集上的分类都能达到完全正确的结果,有很强的模式分类能力,但在测试数
此文档下载收益归作者所有