一种改进的人工神经网络模型

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (9): 64-66.

一种改进的人工神经网络模型

周晓正¹,林小竹¹,陈星²,李玉龙³

1.北京石油化工学院信息工程学院，北京 102617
2.北京航空航天大学电子信息工程学院，北京 100083
3.全南大学电子通信工学科，韩国全罗南道 550-749

收稿日期:2007-07-16 修回日期:2007-10-18 出版日期:2008-03-21 发布日期:2008-03-21
通讯作者: 周晓正

Modified artificial neural network model

ZHOU Xiao-zheng¹,LIN Xiao-zhu¹,CHEN Xing²,LI Yu-long³

1.School of Information Engineering，Beijing Institute of Petro-Chemical Technology，Beijing 102617，China
2.School of Electronic and Information Engineering，Beijing University of Aeronautics and Astronautics，Beijing 100083，China
3.Department of Electronic Information，Chonnam National University，Jeollanam-do 550-749，South Korea

Received:2007-07-16 Revised:2007-10-18 Online:2008-03-21 Published:2008-03-21
Contact: ZHOU Xiao-zheng

摘要/Abstract

摘要： 提出一种新型人工神经网络模型，称为“基于模式神经元的人工神经网络（Pattern Neuron Based Artificial Neural Network，PNBANN）”。与现有的神经计算网络不同，PNBANN是一种完全基于神经元连接的网络模型。网络中的每一个神经元都唯一代表一种模式，每当接收新模式时，自动建立一个新的连接，把信息存储在网络中；而接收已有的模式时，已有的神经元连接得到加强。当模式神经元的输出达到所设定的感觉阈值时，对应模式的信息被记忆。因此，PNBANN就是不断地接收、存储各种信息，并把感觉足够强的模式记忆下来，这一过程更接近于人脑的学习、记忆过程。实验结果证明，PNBANN学习效率高，在学习新知识时不会影响已有的知识，同时具有很强的识别能力。

关键词: 模式神经元, 人工神经网络, 感觉阈值

Abstract: In this paper，a new kind of artificial neural network is proposed，which is called Pattern-Neuron Based Artificial Neural Network（PNBANN）.Different from the current neurocomputing networks，PNBANN is based on neuron connecting completely.Each neuron in PNBANN uniquely represents a pattern.Whenever an unknown pattern is received，a new neuron corresponding to this pattern is produced，and then the information is stored in the PNBANN.If a pattern has existed in the network when it is received，the connections included in the existing pattern neuron structure are enhanced.When the output of a pattern neuron exceeds the given feeling threshold，the pattern is memorized.Therefore，PNBANN can easily receive and store information constantly，and memorizes the information or patterns which can result strong feeling.This process is quite similar to the process of human brain to learn and keep something in mind.Simulations are made in this paper，and the results show that PNBANN can study with very high efficiency，and the existing patterns are not influenced while new pattern are incoming.It is also verified that PNBANN has a very high performance in recognition.

Key words: pattern-neuron, artificial neural network, feeling threshold

周晓正¹,林小竹¹,陈星²,李玉龙³. 一种改进的人工神经网络模型[J]. 计算机工程与应用, 2008, 44(9): 64-66.

ZHOU Xiao-zheng¹,LIN Xiao-zhu¹,CHEN Xing²,LI Yu-long³. Modified artificial neural network model[J]. Computer Engineering and Applications, 2008, 44(9): 64-66.

[1]	姚远，张朝阳. 基于HP-LSTM模型的股指价格预测方法[J]. 计算机工程与应用, 2021, 57(24): 296-304.
[2]	薛文龙，于炯，郭志琦，李梓杨. 基于特征融合卷积神经网络的端到端加密流量分类[J]. 计算机工程与应用, 2021, 57(18): 114-121.
[3]	张驰，郭媛，黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69.
[4]	李杰其，胡良兵. 基于机器学习的设备预测性维护方法综述[J]. 计算机工程与应用, 2020, 56(21): 11-19.
[5]	张文婧，陈治亚，冯芬玲，李万. 基于稀疏理论的DAE在公路事故伤亡预测应用[J]. 计算机工程与应用, 2019, 55(7): 241-247.
[6]	王海燕1，2，袁雪琴1，宋超1，张正勇1，2，刘军1，2，沙敏1，2. 相似度分析结合人工神经网络鉴别苹果香精[J]. 计算机工程与应用, 2018, 54(4): 141-147.
[7]	宋倩，郭宇，王发麟. 基于人工神经网络的线缆敷设质量综合评判[J]. 计算机工程与应用, 2018, 54(14): 256-263.
[8]	颜丹，蒋加伏. 基于栈式去噪自动编码器的边际Fisher分析算法[J]. 计算机工程与应用, 2017, 53(5): 134-139.
[9]	柏丛1，2，彭仲仁1，3. 基于动态模型的公交车行程时间预测[J]. 计算机工程与应用, 2016, 52(3): 103-107.
[10]	张明光，张钰. 基于ANN伪量测建模的配电网状态估计[J]. 计算机工程与应用, 2016, 52(17): 253-256.
[11]	彭丽蓉1，周磊2. 认知行为计算模型结合DM的教学质量提升[J]. 计算机工程与应用, 2014, 50(9): 237-241.
[12]	潘伟洲，陈振洲，李兴民. 基于人工神经网络的百度地图坐标解密方法[J]. 计算机工程与应用, 2014, 50(17): 110-113.
[13]	冯莹莹，于干，周红志. 层次分析法和神经网络相融合的教学质量评价[J]. 计算机工程与应用, 2013, 49(17): 235-238.
[14]	江晓明，朱娜，董亮，李杰. 改进的神经网络EPON动态带宽分配方法[J]. 计算机工程与应用, 2012, 48(36): 112-115.
[15]	张旭兰. 基于BP人工神经网络的车牌字符识别优化算法[J]. 计算机工程与应用, 2012, 48(35): 182-185.