加权自适应模式识别系统的数学描述

基于n元原理,采用加权训练思想,为克服经典自适应模式识别系统——WISARD的简单训练策略之不足而提出的加权自适应模式识别系统,具有自动消除伪特征、突出训练模式的固有特征、改进系统的分类性能筹优点。本文首次用数学手段描述了加权自适应模式识别系统,把系统的训练与分类过程抽象为对模式进行矩阵变换的过程。系统的分类行为由训练模式所建立的逻辑函数矩阵来表征。文中还对系统的性质作了初步探讨,指出只要合理地选取加权训练阀值,加权系统的分类性能不会弱于非加权系统。最后还给出了加权训练阀值的上界和下界。     

逻辑神经网络非线性可分性的实现

1985年，Aleksander领导的小组所实现的逻辑神经网络（LNN）成功地应用于脸谱实时识别。由于LNN无需学习算法，硬件可实现实时识别能力，在英国颇受工业界重视。然而，LNN存在一个缺陷就是在大模式划分成小的子模式后会造成LNN非线性能力下降甚至消失。针对上述问题，提出了一种在LNN中实现非线性可分性的方法。