由于经典的人工神经网络的训练时间过长,导致其应用范围受到了限制。极限学习机(Extreme Learning Machine,ELM)的问世,一举打破这一僵局,即ELM能够在保证相当的分类精度前提下,可大幅度缩减前馈神经网络的训练时间。然而,与BP(Back Propagation,BP)神经网络一样,虽然都具备全局逼近能力,但当面临数据样本相对复杂的情况时,极限学习机为了保证学习能力,就需要增加隐节点个数,如此必然导致网络结构的复杂性。随机投影方法是目前处理海量、高维数据的有效工具之一。因此本文考虑在传统神经网络基础上借鉴极限学习机的快速学习思想,设计出更加快速的人工神经网络。本文以平面高斯网络(Plane-Gaussian,PG)为主要研究对象,由于PG隐层参数是通过聚类算法获得,网络训练时间较长,且易陷入局部最优解。针对它的缺陷,本文提出一种改进算法,即随机投影下的平面高斯神经网络(Plane-Gaussian Network Based on Random Projection,RandPG),并在网络结构上进一步优化。本文的研究工作主要包括以下几点:(1)借鉴极限学习机的网络学习机制,即采用随机投影的方式获得RandPG网络隐层激活函数的权值和偏置,避免了PG网络的聚类方法,而且从理论上证明了该网络的全局逼近性和分类能力。在分类和回归数据集上的实验结果表明:RandPG网络继承了PG网络适用于平面状数据分类的特性,训练速度更快。而在同样少的隐节点数目下,实验结果表明,对平面型数据,RandPG网络的训练精度和测试精度高于ELM,对其它未知分布的部分数据,RandPG与ELM具有相当的分类能力,但是在样本复杂的网络流数据集上结果不甚理想,在训练时间和测试时间方面,RandPG和ELM的速度都很快。而且,实验过程中发现采用随机方法,RandPG的确表现出能够跳出局部最优的现象。(2)在单隐层RandPG网络基础上,本文亦设计了双隐层的网络结构,提出双隐层的RandPG网络(Two-hidden-layer RandPG,TRandPG),即它的第一层隐层的参数同单层RandPG一样,通过随机投影的方式产生,它的第二个隐层参数通过倒推的参数求解方式得出。相比于单层RandPG网络,在分类和回归问题上,双层RandPG都取得了更高的精度,进一步验证了随着网络结构复杂性增加,有利于提高神经网络的表达能力。(3)将本文方法与卷积神经网络(Convolutional Neural Networks,CNN)相结合,提出了CNN-RandPG网络,并应用到图像识别领域,以此测试RandPG网络解决实际问题的能力。具体做法是:先利用卷积神经网络提取图像特征,再利用RandPG网络作为分类器。在MNIST数据集上的实验结果表明,相对于经典的采用BP算法进行训练的CNN网络,在隐节点相同的情况下,本文所提方法能有效地提高识别率,且识别过程只需要卷积神经网络一半的时间。