跳到主要內容

臺灣博碩士論文加值系統

(44.222.104.206) 您好!臺灣時間:2024/05/29 23:13
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:江益峰
研究生(外文):Jiang I Feng
論文名稱:處理多類分離模糊資訊的類神經網路分類器
論文名稱(外文):A Muticlass Neural Network Classifier with Disjunctive Fuzzy Information
指導教授:李漢銘李漢銘引用關係
指導教授(外文):Lee Hahn Ming
學位類別:碩士
校院名稱:國立臺灣科技大學
系所名稱:電子工程學系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:1996
畢業學年度:84
語文別:英文
論文頁數:80
中文關鍵詞:類神經網路分離模糊資訊原型節點範例節點
外文關鍵詞:Neural NetworkDisjunctive Fuzzy InformationPrototype node Exemplar node
相關次數:
  • 被引用被引用:0
  • 點閱點閱:145
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
本篇論文提出一個類神經網路分類器來學習多類模糊資訊。在這個網路的
隱藏層中由兩種節點組成,原型節點和範例節點分別對應在特徵空間的原
型和範例注此分類器的訓練演算法有兩個回合注第一回合訓練法則,稱為
動態數目之原型節點(DYNamic numbers of PROtotypes,DYNPRO),能夠依
分佈在特徵空間的分離樣本群自動地產生原型節點。由於這些原型節點的
數目和成長參數(growth parameter)並沒有被限制,所以這些原型節點會
形成接近-最佳判斷區域(near-optimal decision regions)來近似輸入樣
本的分佈並且能夠將大部份的輸入樣本正確分類。接下來,第二回合訓練
法則,稱為一般化的模糊範例之巢狀建立暨擴展(Generalized Fuzzy Ex
emplars Nested Creation and Expansion, GFENCE),將會產生和調整範
節點來學習無法被原型節點正確分類的輸入樣本。此訓練策略能減少記憶
體的需求並且能使非線性分類(nonlinear classification)的過程加速。
此外,本模型具有線上學習能力以及少量的模糊計算。實驗結果顯示此分
類器能夠產生適當的原型節點來代表分佈在樣本空間的樣本群,並且對分
離資料庫的辨識率亦有不錯的表現。

This paper presents a multiclass neural network classifier to
learn disjunctive fuzzy information in the feature space. This
neural network consists of two types of nodes in the hidden
layer. The prototype nodes and the exemplar nodes represent
prototypes and exemplars in the feature space, respectively.
This classifier contains two separate training algorithms. The
pass 1 training algorithm DYNPRO (DYNamic numbers of
PROtotypes) automatically generates and refines prototypes for
distinct clusters in the feature space. The number and growth
parameter of these prototypes are not restricted, so the
prototypes will form near-optimal decision regions to meet the
distribution of input patterns and classify as many input
patterns as possible. Next, the pass 2 training algorithm
GFENCE (Generalized Fuzzy Exemplars Nested Creation and
Expansion) is used to place and adjust exemplars to learn the
patterns that cannot be classified by the prototypes. Such a
training strategy can reduce the memory requirement and speed
up the process of nonlinearIn addition, on-line ability is
suplied in this computational load is lightened. The
experiment results manifest that the appropriate number of
prototype nodes used to represent pattern clusters can be
determined by this model,

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top