论文网
计算机相关论文范文文献,与格式塔心理学文北京相关毕业论文提纲
本论文是一篇计算机相关毕业论文提纲,关于格式塔心理学文北京相关硕士学位毕业论文范文。免费优秀的关于计算机及格式塔心理学及神经网络方面论文范文资料,适合计算机论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
组织神经网络多层感知器的学和分类是已知一定的先验知识为条件的,即网络权值的调整是在监督情况下进行的.而在实际应用中,有时并不能提供所需的先验知识,这
就需要网络具有能够自学习的能力.Kohonen提出的自组织特征映射图就是这种
具有自学习功能的神经网络.这种网络是基于生理学和脑科学研究成果提出的.
脑神经科学研究表明:传递感觉的神经元排列是按某种规律有序进行的,这种排
列往往反映所感受的外部刺激的某些物理特征.例如,在听觉系统中,神经细胞
和纤维是按照其最敏感的频率分布而排列的.为此,Kohonen认为,神经网络在
接受外界输入时,将会分成不同的区域,不同的区域对不同的模式具有不同的响
应特征,即不同的神经元以最佳方式响应不同性质的信号激励,从而形成一种拓
扑意义上的有序图.这种有序图也称之为特征图,它实际上时一种非线性映射关
系,它将信号空间中各模式的拓扑关系几乎不变地反映在这张图上,即各神经元
的输出响应上.由于这种映射是通过无监督的自适应过程完成的,所以也称它为
自组织特征图.
在这种网络中,输出节点与其邻域其它节点广泛相连,并相互激励.输入节
点和输出节点之间通过强度Wij(t)相连接.通过某种规则,不断地调整Wij(t),
使得在稳定时,每一邻域的所有节点对某种输入具有类似的输出,并且这聚类的
概率分布与输入模式的概率分布相接近.
完成自组织特征映射的算法较多.下面给出一种常用的自组织算法:
(1)权值初始化并选定邻域的大小,
(2)输入模式,
(3)计算空间距离dj(dj是所有输入节点与连接强度之差的平方和).
(4)选择节点j,它满足min(dj),
(5)改变j,和其邻域节点的连接强度,
(6)回(2),直到满足dj(i)
BP(BackPropagation)神经网络是一种神经网络学习算法.其由输入层,中间层,输出层组成的阶层型神经网络,中间层可扩展为多层.相邻层之间各神经元进行全连接,而每层各神经元之间无连接,网络按有教师示教的方式进行学习,当一对学习模式提供给网络后,各神经元获得网络的输入响应产生连接权值(Weight).然后按减小希望输出与实际输出误差的方向,从输出层经各中间层逐层修正各连接权,回到输入层.此过程反复交替进行,直至网络的全局误差趋向给定的极小值,即完成学习的过程. (5)基因算法 基因算法应该叫遗传算法(GA) 遗传算法(GeicAlgorithm,GA)是一种抽象于生物进化过程的 ,基于自然选择和生物遗传机制的优化技术. 遗传算法的基本原理 在遗传算法的执行过程中,每一代有许多不同的种群个体(染色体 )同时存在.这些染色体中哪个保留(生存),哪个淘汰(死亡),是根据 它们对环境的适应能力来决定的,适应性强的有更多的机会保留下来 .适应性强弱是通过计算适应性函数f(x)的值来判别的,这个值称为 适应值.适应值函数f(x)的构成与目标函数有密切关系,往往是目标 函数的变种.主要的遗传算子有如下几种: 1.选择(Selection)算子 又称复制(reproduction),繁殖算子.选择是从种群中选择生命 力强的染色体,产生新种群的过程.选择的依据是每个染色体的适应 值大小,适应值越大,被选中的概率就越大,其子孙在下一代产生的个 数就越多.选择的方法根据不同的问题,采用不同的方案.最常见的 方法有比率法,排列法和比率排列法. 2.交叉(Crossover)算子 又称重组(rebination),配对(breeding)算子.当许多染色 体相同或后代的染色体与上一代没有多大差别时,可通过染色体重组 来产生新一代染色体.染色体重组分两个步骤进行:首先,在新复制的 群体中随机选取两个染色体,每个染色体由多个位(基因)组成,然后, 沿着这两个染色体的基因随机取一个位置,二者互换从该位置起的末 尾部分基因.例如,有两个用二进制编码的个体A和B,长度L等于5,A等于a1a2 a3a4a5,B等于b1b2b3b4b5.随机选择一个整数k[1,L-1],设k等于4,经交叉 后变为: A等于a1a2a3|a4a5A'等于a1a2a3b4b5 B等于b1b2b3|b4b5B'等于b1b2b3a4a5 遗传算法的有效性主要来自选择和交叉操作,尤其是交叉,在遗传 算法中起着核心作用. 3.变异(Mutation)算子 选择和交叉算子基本上完成了遗传算法的大部分搜索功能,而变 异则增加了遗传算法找到接近最优解的能力.变异就是以很小的概率 ,随机改变字符串某个位置上的值.在二进制编码中,就是将0变成1, 将1变成0.变异发生的概率极低(一般取值在0.001～0.02之间).它 本身是一种随机搜索,但与选择,交叉算子结合在一起,就能避免由复 制和交叉算子引起的某些信息的永久性丢失,从而保证了遗传算法的 有效性. 传算法是多学科结合与渗透的产物,已经发展成一种自组织, 自适应的综合技术,广泛应用在计算机科学,工程技术和社会科学等 领域.其研究工作主要集中在以下几个方面 1.基础理论 包括进一步发展遗传算法的数学基础,从理论和试验研究它们的 计算复杂性.在遗传算法中,群体规模和遗传算子的控制参数的选取 非常困难,但它们又是必不可少的试验参数.在这方面,已有一些具有 指导性的试验结果.遗传算法还有一个过早收敛的问题,怎样阻止过 早收敛也是人们正在研究的问题之一. 2.分布并行遗传算法 遗传算法在操作上具有高度的并行性,许多研究人员都在探索在 并行机和分布式系统上高效执行遗传算法的策略.对分布并行遗传算 法的研究表明,只要通过保持多个群体和恰当控制群体间的相互作用 来模拟并行执行过程,即使不使用并行计算机,也能提高算法的执行效 率. 3.分类系统 分类系统属于基于遗传算法的机器学习中的一类,包括一个简单 的基于串规则的并行生成子系统,规则评价子系统和遗传算法子系统 .分类系统被人们越来越多地应用在科学,工程和经济领域中,是目 前遗传算法研究中一个十分活跃的领域. 4.遗传神经网络 包括连接权,网络结构和学习规则的进化.遗传算法与神经网络 相结合,正成功地用于从时间序列分析来进行财政预算.在这些系统 中,训练信号是模糊的,数据是有噪声的,一般很难正确给出每个执行 的定量评价.如果采用遗传算法来学习,就能克服这些困难,显着提高 系统性能.Muhlenbein分析了多层感知机网络的局限性,并猜想下一 代神经网络将是遗传神经网络. 5.进化算法 模拟自然进化过程可以产生鲁棒的计算机算法——进化算法.遗 传算法是其三种典型的算法之一,其余两种算法是进化规划(Evolutio naryProgramming,EP)和进化策略(EvolutionaryStrategies,ES) .这三种算法是彼此独立地发展起来的.进化规划最早由美国的L.J. Fogel,A.J.Owens和M.J.Walsh提出,进化策略则由德国的I.Rechenb erg和H.P.Schwefel建立. 具体应用也很广, 我就拿它解决了好几个难题. 下面我给出我们校数学建模时的程序你分析一下就明白了. #defineIns35/*指令数*/ #defineCom45/*部件数*/ #defineRow100 #defineJCn0*Row/*交叉的概率*/ #defineFZn.15*Row #definePYRow-JCn-FZn #definetimes1000/*迭代次数*/ #definehyR.4*Ins/*交叉概率*/ #defineOptnum5/*最优解的个数*/ #include"stdlib.h" #include"time.h" #include"stdio.h" #include"conio.h" unsignedchar*A[Row+1]
计算机相关论文范文文献,与格式塔心理学文北京相关毕业论文提纲参考文献资料：