基于稀疏RAM的N-tuple神经网络模型

摘要：

@@ 1.引言
N-tuple结构首先由Bledsoe ＆ Browing(1959)提出[1],并由英国帝国理工学院的Alexsander教授等人通过用RAM式神经元代替常规的神经元,利用N元(N-tuple)分解技术和可扩展的并行体系结构设计并实现了一个单层自适应模式识别系统(WISARD)[2],使其具有大规模并行分布处理能力,以及通用性和自适应性.适合于大维数输入模式和大样本集类识别问题,并在工业零件和人脸识别方面获得了成功的应用.该系统的学习是通过样本的一次提交完成的,因此速度快,识别具有实时性且对已学样本具有完全的识别精度.但不足是:(1)存在过泛化现象,造成误识;(2)因学习算法的限制,RAM神经元的空间存在饱和问题;(3)对每类模式分配一个分类器,硬件成本高;(4)对N元分解方法的敏感性;(5)在模式识别中,由于同类数据分布的凝聚性,常规RAM中只有很小比例的存储单元被使用,造成存储空间的很大浪费.

机标关键词：稀疏、神经网络模型、模式识别系统、神经元、自适应性、样本集、体系结构设计、并行分布处理、学习算法、数据分布、输入模式、识别问题、识别精度、人脸识别、模式分配、存储空间、分解技术、分解方法、泛化现象、存储单元

所属期刊栏目：28

分类号：TP39(计算技术、计算机技术)

资助基金：国家自然科学基金69973021

在线出版日期：2004-01-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：37-39，16