论文部分内容阅读
从输入的原始信息得到特征通常需要复杂的非线性运算,直接找到这种算法是很困难的。而M-P神经元模型的几何意义指出:构造一个网络,使对给定的样本集能进行符合要求的分类,等价于求出一组领域,对给定样本集中的点,能按分类的要求用领域覆盖将它们分隔开来。但是,在实际的大规模应用中,如时间序列预测的典型问题———股票预测,其给定的样本集中可能含有异动点,会引起错误的学习结果,因此,有必要引入自组织和概率决策化方法,提高分类的正确性,同时还可降低神经网络的结构规模,提高识别的速度。作者给出一种构造性的概率决策自组