26、并行、自组织、分层系统中的神经网络技术

并行、自组织、分层系统中的神经网络技术

在当今的数据处理和分类领域，神经网络技术不断发展，多种新型网络架构和算法被提出以解决不同的问题。本文将详细介绍几种神经网络系统及其相关算法，包括脉冲耦合神经网络（PCNN）、具有竞争学习和安全拒绝方案的并行自组织分层神经网络（PSHNN），以及具有连续输入输出的PSHNN，并分析它们的实验结果和优势。

1. 脉冲耦合神经网络（PCNN）在多源遥感和地理数据分类中的应用

在多源遥感和地理数据分类实验中，对PCNN进行了两次实验。实验中使用小波包变换（WPT）对输入数据进行转换，随后采用共轭梯度训练的反向传播（BP）网络。完整的WPT每一层都包含不同阶段网络的数据，这使得各阶段具有相同的原始输入数据，但时间 - 频率分辨率不同。PCNN会尝试为输入数据的这些不同表示找到共识，而最优加权方法会为最佳表示赋予最高权重。

实验结果表明，PCNN在整体分类准确率方面表现出色。实际上，具有最优权重的PCNN在多源遥感和地理数据分类中，在测试数据的整体分类准确率上超过了共轭梯度反向传播和最佳统计方法。对于难以建模的数据分类问题，具有最优权重的PCNN是其他方法的理想替代方案。PCNN与其他现有神经网络架构的不同之处在于，它使用一组神经网络来形成加权共识决策。在涉及多种不同类型输入表示的困难分类问题中，PCNN比单神经网络分类器和传统统计分类方法更准确。

2. 具有竞争学习和安全拒绝方案的并行自组织分层神经网络（PSHNN）

当在每个单阶段神经网络（SNN）中使用如delta规则和反向传播算法等监督学习算法时，PSHNN需要较长的学习时间。此外，PSHNN的分类性能强烈依赖于其拒绝方案。因此，开发更好的错误检测和拒