国外电子测量技术
國外電子測量技術
국외전자측량기술
FOREIGN ELECTRONIC MEASUREMENT TECHNOLOGY
2014年
5期
56-58,79
,共4页
丁硕%常晓恒%巫庆辉%魏洪峰
丁碩%常曉恆%巫慶輝%魏洪峰
정석%상효항%무경휘%위홍봉
广义回归神经网络%BP神经网络%二维向量%模式分类%收敛速度%泛化能力
廣義迴歸神經網絡%BP神經網絡%二維嚮量%模式分類%收斂速度%汎化能力
엄의회귀신경망락%BP신경망락%이유향량%모식분류%수렴속도%범화능력
generalized regression neural network%BP neural network%two dimensional vector%pattern classification%convergence speed%generalization ability
为了研究广义回归神经网络(GRNN)和标准BP神经网络(BPNN)在解决二维向量的模式分类问题时的性能差异,分别构建了GRNN分类模型和标准BPNN分类模型,详细阐述了2种分类模型的建立方法,并对所建立的2种分类模型进行训练和泛化能力测试.仿真结果表明,GRNN模型的人为调节参数少,构建方法简单,不易陷入局部极小值,在解决相同的二维向量模式分类问题时,GRNN模型比BPNN模型具有更高的分类精度、更快的收敛速度、更适合于解决二维向量的模式分类问题.
為瞭研究廣義迴歸神經網絡(GRNN)和標準BP神經網絡(BPNN)在解決二維嚮量的模式分類問題時的性能差異,分彆構建瞭GRNN分類模型和標準BPNN分類模型,詳細闡述瞭2種分類模型的建立方法,併對所建立的2種分類模型進行訓練和汎化能力測試.倣真結果錶明,GRNN模型的人為調節參數少,構建方法簡單,不易陷入跼部極小值,在解決相同的二維嚮量模式分類問題時,GRNN模型比BPNN模型具有更高的分類精度、更快的收斂速度、更適閤于解決二維嚮量的模式分類問題.
위료연구엄의회귀신경망락(GRNN)화표준BP신경망락(BPNN)재해결이유향량적모식분류문제시적성능차이,분별구건료GRNN분류모형화표준BPNN분류모형,상세천술료2충분류모형적건립방법,병대소건립적2충분류모형진행훈련화범화능력측시.방진결과표명,GRNN모형적인위조절삼수소,구건방법간단,불역함입국부겁소치,재해결상동적이유향량모식분류문제시,GRNN모형비BPNN모형구유경고적분류정도、경쾌적수렴속도、경괄합우해결이유향량적모식분류문제.
