可拓神经网络的研究及其在分类器设计方面的应用

Extension neural network (ENN) is a new kind of neural network. However, the research and applications of ENN currently is still in its early stages, not yet form the complete theory system. So the technology of ENN needs further improvements in some areas. The aim of this study is to explore the mechanism of the effective combination between extension theory and neural network, discuss the meaning of ENN and its research and applications in the field of classification, pattern recognition and cluster analysis. The content of this research is as follows: How to embed the technologies of extension theory into neural network is discussed theoretically. The theoretical basis of ENN is refined. And on this basis, the design methods of classifier based on ENN is researched. The relationship between ENN and its training data is analyzed, and make improvement of performance of ENN by using the method of improving the training data quality of ENN. The knowledge expression of ENN is researched and a prior-knowledge-based ENN model is proposed. Develop a novel structure and learning algorithm of ENN, which has a better performance and certain universality. This research work not only provides a new concept to develop intelligent information processing, but also promotes extension theory further application.

可拓神经网络是一类新的神经网络，尚未形成完备的理论体系，存在一些需要改进的方面。本项目研究的主要目的是探索可拓理论与神经网络有效结合的机制，讨论可拓神经网络的意义，研究基于可拓神经网络的分类器设计方法，提高可拓神经网络分类器的性能以及推广其在分类、模式识别和聚类等方面的应用。本项目研究的主要内容包括：理论上探讨如何将可拓理论中的相关技术嵌入到神经网络当中，完善可拓神经网络理论基础；研究基于可拓神经网络的分类器设计方法；分析可拓神经网络与训练样本之间的关系，通过提高面向可拓神经网络训练样本质量的方法提高可拓神经网络分类器的性能；研究可拓神经网络的知识表达形式，建立基于知识的可拓神经网络分类器模型；开发新的可拓神经网络结构和学习算法，使其在解决分类问题上具有更强的性能和一定的普适性。该研究不仅为智能信息处理技术的发展提供了新的思路，而且为可拓理论的应用起到了促进作用。

可拓神经网络是一类较新的神经网络，其结合了神经网络技术与可拓理论，由于可拓神经网络的研究尚处于初期阶段，存在一些需要改进的方面，基于此，本项目重点对可拓神经网络进行了系统研究，旨在提高可拓神经网络的性能以及推广其应用。本项目主要研究内容、研究方法和研究成果包括：对可拓神经网络进行了综述研究，分析可拓理论与神经网络技术相结合的内在机制，相对完善了可拓神经网络理论体系；研究了可拓神经网络分类器的设计方法，明确了可拓神经网络分类器的设计过程，对分类器的内部结构、分类识别算法、应用对象环境进行了指导说明，使其能够较方便地推广应用；对可拓神经网络进行了应用研究，将其应用到刀具磨损状态识别和抽油机故障诊断等领域，通过与BP网络、LVQ网络、RBF网络等传统神经网络进行对比，验证了可拓神经网络的优越性；研究了提高可拓神经网络性能的途径，研究发现，初始中心值对可拓神经网络的性能有着直接的影响，进而利用模糊聚类（FCM）算法确定初始中心点的方法提高了可拓神经网络分类器的性能，减轻了网络的学习负担，使可拓神经网络在应用中不仅减少了网络的训练时间，而且在在识别精度、学习能力、泛化能力、容错性能等方面均得到了有效提高；加入先验知识是提高机器学习性能的有效方法，基于可拓神经网络的知识表达形式和工程实际，研究了基于先验知识的可拓神经网络，提出了基于先验知识的可拓神经网络分类器识别方法，并将其应用于煤矿安全状态识别的应用中。本项目的研究不仅为智能信息处理技术的发展提供了新的思路，而且为可拓理论的应用起到了促进作用。项目的研究成果可以应用到模式识别、机器学习等相关领域。