神经网络学习和进化学习的研究
文献类型：学位论文
| 作者 | 孟祥武 |
| 学位类别 | 博士 |
| 答辩日期 | 1997 |
| 授予单位 | 中国科学院软件研究所 |
| 授予地点 | 中国科学院软件研究所 |
| 关键词 | 神经网络 神经网络学习 进化神经网络 遗传算法 进化规划 进化学习 机器学习 |
| 学位专业 | 计算机软件 |
| 中文摘要 | 近年来，神经网络学习和进化学习是人工智能领域研究的热点。学习能力是人类智能行为最为本质的特性之一。所有的智能系统都是进化的。模拟进化是提供产生机器智能的一种方法。本论文综述了神经网络学习和进化学习，讨论了构造优化神经网络结构的一些方法，并对这些方法进行了分类，分析了这些方法的优缺点。评述了联接机制与符号机制相结合的机器学习研究工作。本论文就神经网络学习和进化学习中存在的几个重要问题，进行了较为深入的研究，主要工作如下：1．分析了基于知识的人工神经网络（KBANN）的优缺点，研究了领域理论和KBANN之间的关系。为了学习性能好，一个学习系统必须有效地利用已有的先前知识。KBANN用先前知识初始化一个神经网络。它把初始领域理论转变成神经网络，因此决定了网络拓扑结构和初始权值。理论分析和实验结果表明：初始领域理论极大地影响概念的学习，基于完善领域理论，KBANN能很好地学习。它的训练时间比标准神经网络的要短。基于不完善领域理论，有时KBANN不能学习一个简单的问题。增加隐结点可克服KBANN的这个局限性。KBANN应该并且必须改变它的初始网络拓扑结构。因为初始领域理论往往是近似正确的，不完善的或不正确的。2．讨论了进化神经网络的编码表示机制的分类和特性，分析了它们的优点和缺点。这些将有助于针对不同的应用，设计和选择编码表示。提出了遗传算法的一种图文法编码表示机制，给出了相应的算子定义，模式、模式长度及其阶的定义。图文法表示属文法编码方法。文法编码方法相对而言不受问题大小的影响。证明了一个基于图文法表示机制的遗传算法模式定理，描述了交叉和突变对模式作用的效果，该图文法可用来定义神经网络。神经网络的学习能力映射为适应值。3．证明了Hopfield网与图灵机等价。给出了用Hopfield风计算部分递归函数的构造性证明。由于部分递归函数与图灵机等，故Hopfield风与图灵机等价 4．提出了一个基于遗忘进化规划的Hopfield网学习算法。通过遗忘部分个体，算法能避免局部最小。用极限环表示概念，这很适合于字识别，一个字附有不同的字体。一个字的不同字体可用极限环表示、给定不动点，极限环或迭代序列，通过解不等式组算法能同时获得Hopfield网的拓扑结构和权传值。该算法克服了进化Hopfield网学习的局限性。它还能找到多个优化解，实验也证明了所提算法的有效性。5．提出了一个基于任意给给定训练集的离散型Hopfield网联相记忆学习算法。该算法能增加训练样本的维数，也就是在Hopfield网中增加结点，因而能存储任意给定的训练模式集。该算法克服了传统Hopfield网学习的局限性。实验结果也证明了该方法的有效性。6．提出一种用遗传算法求解文件分配问题的新方法。文件分配问题是计算机网络和分布系统中一个非常重要的问题。该求解算法简单，易于实现。它还能找到多个优化解。此方法可以方便地动态改变文件及其拷贝在各台服务器上的分布，能7较好地解决工种中的文件优化分配问题。该方法还可以应用到其它资源需要分配的领域。最后，第九章总结了全文，并给出了进一步的工作。 |
| 语种 | 中文 |
| 公开日期 | 2011-03-17 |
| 页码 | 90 |
| 源URL | [http://ir.iscas.ac.cn/handle/311060/6222]  |
| 专题 | 软件研究所_中科院软件所_中科院软件所 |
| 推荐引用方式 GB/T 7714 | 孟祥武. 神经网络学习和进化学习的研究[D]. 中国科学院软件研究所. 中国科学院软件研究所. 1997. |
入库方式： OAI收割
来源：软件研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。