文献类型：期刊文章

作　　者：武妍[1] 王守觉[2]

机构地区：[1]同济大学计算机科学与工程系,上海200092 [2]同济大学半导体与信息技术研究所

出　　处：《红外与毫米波学报》

基　　金：国家自然科学基金资助项目(60135010)

年　　份：2005

卷　　号：24

期　　号：1

起止页码：15-18

语　　种：中文

收录情况：AJ、BDHX、BDHX2004、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、DOAJ、EI(收录号：2005179069427)、IC、INSPEC、JST、RCCSE、SCI(收录号：WOS:000227311700004)、SCI-EXPANDED(收录号：WOS:000227311700004)、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：为有效提高神经网络的分类性能,首先提出了一个可处理模糊输入的模糊神经网络结构,然后由模糊输出和非模糊目标输出定义了代价函数,推导出相应的学习算法,并对该模糊神经网络进行反转,提出了模糊化的反转算法.最后,通过计算机仿真实际的模式分类问题,验证了所提出的方法的有效性.实验结果表明,所提出的方法具有学习效率高、分类准确率高、泛化能力高的优点.

关 键 词：模糊神经网络 模糊化  学习算法 输入  泛化能力 模式分类  计算机仿真 代价函数 性能  优点  

分 类 号：TN911] TP183]