论文部分内容阅读
从上世纪80年代初神经网络的研究再次复苏并形成热点以来，发展非常迅速，从理论上对它的计算能力、对任意连续映射的逼近能力、学习理论以及动态网络的稳定性分析都取得了丰硕的成果，特别是在应用上已迅速扩展到许多重要领域。
本文将两种重要的神经网络(自适应共振网络和通用回归网路)融合成新的网络，称之为投影自适应共振聚类-通用回归融合网络。投影自适应共振神经网络和通用回归网络都是递增学习系统并具有非常快的训练速度。本文提出的融合网络，将保留这两种网络的优点，并同时减少运算和存储信息所需的内核单元。投影自适应共振聚类算法能适应不同维数的数据，特别是在高维空间，能解决一般聚类算法不能解决的“维数灾难”难题，利用它来对样本作预处理，压缩数据的同时也能部分消除噪声的影响，从而达到较高的性能。
一系列基于本文提出的网络在中国城市的月降雨量预测实验的结果表明，其预测性能达到和超过了相关领域的性能较好的预测网络(EM和支持向量机)的结果。本文的研究为时间序列预测提供了新的方法，并可以推广到模式识别、机器学习、人工智能、数据挖掘等其它领域。