基于模糊化输入和反转提高神经网络分类性能的方法

被引：3

作者：

武妍

王守觉

机构：

[1] 同济大学计算机科学与工程系

[2] 同济大学半导体与信息技术研究所上海同济大学半导体与信息技术研究所

[3] 上海

[4] 上海中国科学院半导体研究所神经网络实验室

[5] 北京

来源：

红外与毫米波学报 | 2005年 / 01期

关键词：

模糊神经网络; 学习算法; 模糊输入; 反转; 分类;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为有效提高神经网络的分类性能,首先提出了一个可处理模糊输入的模糊神经网络结构,然后由模糊输出和非模糊目标输出定义了代价函数,推导出相应的学习算法,并对该模糊神经网络进行反转,提出了模糊化的反转算法.最后,通过计算机仿真实际的模式分类问题,验证了所提出的方法的有效性.实验结果表明,所提出的方法具有学习效率高、分类准确率高、泛化能力高的优点.

引用

页码：15 / 18

页数：4