论文部分内容阅读
本文提出了感知器型神经网络的改进方法，包括新的学习算法、学习终止条件判断方法、样本筛选方法和类别之间不平衡问题的解决方法。将图形芯片实现通用计算的技术应用于神经网络中，显著提高了神经网络的收敛速度和推广能力。成功地将前向单隐层感知器应用于三个实际的大规模学习问题，即手写数字识别，手写字母识别和人工嗅觉系统样品的识别。人工嗅觉系统样品的识别分为两个问题，分别是识别17种不同的样品和识别5种物质，每种物质分别有不同的浓度。通过算法之间效率和神经网络的推广能力的比较，得到了满意的结果。