论文部分内容阅读
模块化神经网络(MNN)是采用多个神经网络以合作或竞争的方式所构建的学习系统,其试图以多个神经网络来探索各个子学习机的不同行为,从而提高整个学习系统的精度和可靠性。面对大规模复杂问题,单一神经网络往往束手无策,其固有的缺陷显得尤为突出,而作为一种非常有效的计算方法,模块化神经网络往往能担此重任。由于认识到模块化神经网络所蕴含的巨大潜力和应用前景,大量研究者涌入该领域,理论和成果不断涌现,使得模块化神经网络成为机器学习和神经网络领域的研究热点。本文以回归问题为例就模块化神经网络系统中各个子网络的训练及组合方法展开研究,充分考虑了各子网间的相互联系和作用随待解决问题的变化而需不断调整这一事实,结合了遗传算法的相关理论知识和现存的MNN的学习方法,提出了名为“合作自适应”的MNN组合方法。该方法首先按照某种相似性测度将样本集划分为若干子集,并考量子网对不同样本子集的适应能力,然后动态地为子网分配样本子集用以训练,这样产生的个体神经网络既拥有相对的准确性,又不失其对其他样本的适应性;将这样的网络进行合适地组合后可有效提高系统的精度和泛化能力。针对8个回归实例,本文给出了仿真测试,并对结果进行了对比分析。本文还描述了作者所开发的一套名为“NeuralCraft”的适合于模块化神经网络研究的仿真系统,详细介绍了该系统的总体架构和各模块的功能以及人机交互界面的设计等。该系统基于先进的Visual Studio.NET集成开发环境,利用.NETframework提供的丰富类库和已封装好的展示控件,在原有算法基础上作了改进和创新,并以此搭建起一套模块化神经网络的试验和研究平台。由于该系统的核心模块具有灵活、可复用和可扩展的特点,也为后期MNN的教学实践、科研探索提供了有利的支持。