连分式权函数神经网络研究及其在纹理分类中的应用

论文摘要

经过半个多世纪的发展,神经网络理论的研究已经取得了很大的成就。然而,传统神经网络学习算法（如BP算法、RBF算法）存在训练权值难以反映训练样本信息的缺陷,且在实际的应用中,传统的神经网络模型难以确定。基于这些考虑,南京邮电大学的张代远教授经过大量的理论研究,提出了一种全新的神经网络训练方式——样条权函数神经网络训练算法[1][2]。该训练算法解决了传统神经网络（如BP、RBF）局部极小、收敛速度慢、初值相关的缺陷。理论及实验已经证明样条权函数神经网络具有良好的网络性能。本文在张代远教授研究的基础上,对样条权函数神经网络理论进行了拓展,给出了一种连分式权函数神经网络训练算法。首先利用倒差商-连分式方法,构造了以连分式函数作为权函数的新型人工神经网络-连分式权函数神经网络；接着结合连分式权函数神经网络的模型对网络收敛速度和误差进行分析；最后,通过仿真实验,在均方差和运算速度方面与传统BP、RBF神经网络算法的给予了对比分析,实验验证了连分式权函数神经网络具有很高的精度和收敛速度。最后,本文给出了连分式权函数神经网络在纹理分类中的应用。将Gabor滤波器与小波变换结合的Gabor小波变换用于纹理图像的分析与处理。给出了连分式权函数神经网络作为文本分类器的设计过程,实验结果表明,与传统方法相比,连分式权函数神经网络的分类精度更高。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 论文的研究背景及意义
• 1.2 国内外研究现状与水平
• 1.3 本文的主要内容和成果
• 1.4 本文的内容安排
• 第二章 神经网络理论基础
• 2.1 神经网络的定义
• 2.2 神经元模型
• 2.2.1 生物神经元模型
• 2.2.2 人工神经元模型
• 2.3 神经网络的基本特征
• 2.4 神经网络分类
• 2.5 神经网络结构
• 2.6 两种常见的神经网络
• 2.6.1 BP神经网络
• 2.6.2 RBF神经网络
• 2.7 本章小结
• 第三章 连分式权函数神经网络算法
• 3.1 权函数神经网络的理论基础
• 3.2 连分式的定义及基本性质
• 3.3 连分式权函数神经网络算法
• 3.3.1 连分式权函数神经网络的拓扑结构
• 3.3.2 连分式插值权函数的确定
• 3.3.2.1 插值问题的提出
• 3.3.2.2 连分式插值函数
• 3.3.3 连分式插值权函数的误差分析
• 3.4 连分式权函数神经网络实验分析
• 3.4.1 模拟实验环境介绍
• 3.4.2 实验过程与结果分析
• 3.5 本章小结
• 第四章 连分式权函数神经网络在纹理分类中的应用
• 4.1 课题背景
• 4.2 纹理的基本概念
• 4.3 Gabor小波
• 4.4 BP神经网络分类器
• 4.5 连分式权函数神经网络分类器设计
• 4.6 本章小结
• 第五章 应用实验验证与结果分析
• 5.1 实验环境
• 5.2 仿真实验
• 5.2.1 实验目的
• 5.2.2 实验方法
• 5.3 实验分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 攻读硕士学位期间发表学术论文情况