CAJ | 학술논문

传统的协同模式分类学习方法是依据原型向量再通过伪逆或M-P广义逆的方法求出满足一定关系式的伴随向量,当样本维数大时,这种方法学习过程较慢,特别当样本维数有变化时传统的方法就不太适用了;协同势能函数优化的方法是直接利用协同动力学过程,来获得原型向量和伴随向量的收敛值,相比于传统的方法具有一定的优势.将最优化理论引入到协同进化的动力学过程,以加快学习过程的收敛,并以记忆梯度法替代了传统的梯度下降的算法进行势能函数的优化,来同时进行原型向量和伴随向量的学习,新方法能显著地提高收敛速度并获得较优的原型向量.通过图像的分类识别表明,相对于传统的方法,能提高识别率且收敛更好.
전통적협동모식분류학습방법시의거원형향량재통과위역혹M-P엄의역적방법구출만족일정관계식적반수향량,당양본유수대시,저충방법학습과정교만,특별당양본유수유변화시전통적방법취불태괄용료;협동세능함수우화적방법시직접이용협동동역학과정,래획득원형향량화반수향량적수렴치,상비우전통적방법구유일정적우세.장최우화이론인입도협동진화적동역학과정,이가쾌학습과정적수렴,병이기억제도법체대료전통적제도하강적산법진행세능함수적우화,래동시진행원형향량화반수향량적학습,신방법능현저지제고수렴속도병획득교우적원형향량.통과도상적분류식별표명,상대우전통적방법,능제고식별솔차수렴경호.