应学习系统而提出来的。由于60年代后期神经网络的研究陷入低潮因此Widrow将这一模型理论主要用于自适应信号处理的研究。80年代中后期人们发现这些理论实际就是神经学习系统的基本法则并完全可以解决自适应模式识别问题。70年代A
derso
提出的盒中脑模型BSBKoko
e
提出的自组织特征映射网络模型Gross一berg等提出的自适应共振理论ART等等都为神经网络模式识别理论提供了进一步的理论依据。可以说几乎所有现有的神经网络物理模型都在模式识别领域取得了成功的应用。神经网络理论所得到的进步都会为模式识别理论的发展带来鼓舞与此同时模式识别理论的深入研究和进步又会大大推动神经网络理论的发展。它们两者的关系是相互影响、相互渗透的。目前国际上人工智能、神经网络都是热门的课题这些理论的发展都会给模式识别理论带来新的希望。因此开展神经网络模式识别理论的研究具有相当重要的价值和意义。
12神经网络模式识别方法与传统模式识别方法的关系
神经网络模式识别与传统的模式识别在很多方面都是相互关联的这种关联不仅在于它们都是试图从样本数据出发完成模式识别问题更重要的是它们在方法上具有一定的等价关系。神经网络拥有强大的非线性映射能力它能够把在低维高度非线性的输入空间变换到由其隐含层构成的高维输出空间在这个高维空间中可以较容易找到合适的判决表面甚至变得线形可分。这与Fishe线性判别准则相对应可以看作是FIShe线性判别的非线性多维推广。Fisher线性判别分析就是找出一种线性变换并使变换后的Fisher准则函数最大。而线性的多维感知机在其隐含层输出的空间中就可以实现该准则函数最大。当训练样本数趋于无穷大时以使目标训练的多层感知机的输出为均方误差最小在统计意义上是对样本贝叶斯后验概率的最小均方误差估计。
f13神经网络模式识别的特点
与传统的模式识别算法相比人工神经网络有很多的不同和优势。它具有以下特点1函数逼近能力。神经网络的输入与输出可以看作一个函数映射。神经网络通路不断地调整节点权值实现了在最小二乘误差条件下输入与输出的最佳逼近。2大规模并行协同处理能力。传统的计算机对信息方式的处理为串行处理。这样处理的速度再快处理的信息也是有限的。计算与存储被分成完全独立的两部分。因此存储器和运算器之间的通道就成为了计算机运算的瓶颈因而大大地限制了它的运算能力。而神经网络中的神经元之间有着大量的相互连接所以信息输入之后可以很快地传递到各个r