系统工程与电子技术
繫統工程與電子技術
계통공정여전자기술
SYSTEMS ENGINEERING AND ELECTRONICS
2004年
10期
1503-1505,1536
,共4页
一般模糊极小极大神经网络%无师训练%自动目标识别
一般模糊極小極大神經網絡%無師訓練%自動目標識彆
일반모호겁소겁대신경망락%무사훈련%자동목표식별
针对一般模糊极小极大(general fuzzy min-max,GFMM)神经网络不能够完全无师聚类和自适应在线学习的问题,提出了一种无师训练的一般模糊极小极大(general fuzzy min-max,GFMM)人工神经网络.它继承了GFMM网络的优点,可以输入n维模糊量,尤其是新增加了无师学习的功能,弥补了GFMM网络不能自适应在线学习新类的缺陷.实验测试结果与分析表明,该网络在自动目标识别的实际应用中具有广泛的适用性.
針對一般模糊極小極大(general fuzzy min-max,GFMM)神經網絡不能夠完全無師聚類和自適應在線學習的問題,提齣瞭一種無師訓練的一般模糊極小極大(general fuzzy min-max,GFMM)人工神經網絡.它繼承瞭GFMM網絡的優點,可以輸入n維模糊量,尤其是新增加瞭無師學習的功能,瀰補瞭GFMM網絡不能自適應在線學習新類的缺陷.實驗測試結果與分析錶明,該網絡在自動目標識彆的實際應用中具有廣汎的適用性.
침대일반모호겁소겁대(general fuzzy min-max,GFMM)신경망락불능구완전무사취류화자괄응재선학습적문제,제출료일충무사훈련적일반모호겁소겁대(general fuzzy min-max,GFMM)인공신경망락.타계승료GFMM망락적우점,가이수입n유모호량,우기시신증가료무사학습적공능,미보료GFMM망락불능자괄응재선학습신류적결함.실험측시결과여분석표명,해망락재자동목표식별적실제응용중구유엄범적괄용성.
