收稿日期：2013-07-07 全文查看链接 　　值得指出的是，在图像处理[12，13]、语音识别[14]、工业控制等[15]实际应用过程中，数据在采集、传输和转换时常常由于外部环境的干扰而产生噪声，对信号处理或控制效果产生很大的影响。显然，噪声是不可避免的，消除噪声影响，减少误判，在实际工程中具有十分重要的意义。因此本文进一步探讨了所构建网络的抗噪性能并在数值实验中进行了验证。 全文查看链接 　　step 4利用校正样本，计算网络的校正误差Ecur，判断Ecur全文查看链接 　　作为对比，表中还展示了文献[9]算法构建的分类器对带噪数据集的分类结果。可以看出本文算法所构造的分类器在不同噪声大小百分比的情况下分类正确率均有明显提高，其抗噪性能更强。具体而言，对于Iris数据集，正确率提高了2%～5%；而对于Wine数据集，正确率的提高更为明显，达到了10%左右。这正是由于隐层神经元数目的减少，较好地避免了神经网络的过拟合，从而使得分类器的抗噪性能得到了明显的提升。 全文查看链接