本项目将研究具有多个指数稳定的平衡点或多个周期解等吸引子的递归神经网络(RNN)、不确定RNN、随机RNN、RNN簇. 针对学习算法在处理实际问题时出现的缺点,研究如何利用RNN、RNN簇的吸引子来缩小训练样本的范围,结合学习算法或不使用学习算法来确定RNN簇连接权.综合运用微分不等式、代数理论、微分比较原理、随机分析等数学方法与理论,合理划分RNN簇连接权空间,调整吸引子从无序(混沌)到有序,或从非理想状态到理想状态,进而对多个独立离散模式和连续模式流、随机模式和随机模式流进行记忆和识别.在获得大量成功地提取和识别的模式的基础上,初步建立起用RNN簇吸引子来记忆和识别各种具体模式(包括生物信息中各种模式的提取和识别)的理论体系..本课题的研究,将力争拓广神经网络和模式识别的研究方法,并试图开创一些新的研究方向.其深入研究将对神经网络和模式识别的研究产生一定的推动作用.
{{i.achievement_title}}
数据更新时间:2023-05-31
涡度相关技术及其在陆地生态系统通量研究中的应用
DeoR家族转录因子PsrB调控黏质沙雷氏菌合成灵菌红素
监管的非对称性、盈余管理模式选择与证监会执法效率?
环境类邻避设施对北京市住宅价格影响研究--以大型垃圾处理设施为例
宁南山区植被恢复模式对土壤主要酶活性、微生物多样性及土壤养分的影响
黑洞吸积流的多波段辐射和吸积模式研究
网络簇多吸引子协调切换及多目标流异联想研究
基于时空模式的复杂行为识别方法研究
基于数据的故障模式识别方法研究