摘 要

本次毕业设计的主要工作是针对自组织过程神经网络模型进行算法实现及分类能力研究。自组织过程神经网络由输入层和竞争层组成，输入层和竞争层实行全互连接，其输入和连接权为连续的函数。网络可自动提取输入函数所隐含的模式特征，并对其进行自组织，在竞争层将作用结果表现出来。自组织过程神经网络包括对于时间的聚合运算，故在学习和计算过程中较为复杂。为此，在网络学习算法设计中，在输入空间中引入函数正交基，将输入函数和网络权函数表示为正交基的展开形式，利用基函数的正交性，简化过程神经元在时间聚合运算中的复杂性,此次设计给出了无教师示教的学习算法，函数正交基展开由傅立叶级数逼近实现。
通过对一般非时变自组织神经网络与自组织过程神经网络的比较，突出了自组织过程神经网络对解决一些依赖于时间过程的模式分类识别问题的优势，仿真实验结果证明了方法的有效性。

关键词：自组织过程神经网络；学习算法；函数正交基；傅立叶级数；分类能力
 
Abstract

The basic aim of this paper is about implementation of the algorithm of self-organization procedure neural network model and classification study.The nodes of input layer and nodes of competition layer link with each other totally, the input and link weight of which are continuous functions. The network extracts the implicit pattern characters of input function and takes self-organization to them, then represent the classification result at competition layer. Self-organization procedure neural network involving the algorithm of time,so it is very difficult in learning and caculation procedure.And we expand the input function and the network weight function under orthogonal basis.With using the orthogonality of basis function, the adjustment of network weight coefficient can be become easier. The learning algorithm of competition learning is gave in this paper.The orthogonality of basis function will realize with fourier series.
Compared with inpendency-time self-organizing feature map ,we will find self-organization procedure neural network model is availabilly in some projects which input function is time-dependent functions.The imitation exprimentation  will prove the model is availabilly.

Keyword:self-organization procedure neural network； learning algorithm；function orthogonal basis；fourier series；classification ability.
 
目 录
第1章 人工神经网络概述 1
1.1引言 1
1.2人工神经元模型 2
1.3人工神经元网络模型 3
1.4神经网络两大学习方法 7
1.5误差反向传播BP算法 8
第2章 自组织特征映射神经网络基本理论 10
2.1自组织特征映射神经网络的基本思想 10
2.2自组织特征映射网络学习和学习规则 11
2.3SOM网络的自组织特性与局限性 16
第3章 自组织过程神经网络及其应用 17
3.1自组织过程神经网络模型 18
3.2自组织过程竞争学习规则 18
3.3自组织过程神经网络算法描述 19
3.4基于函数正交基展开算法和实现 20
3.5自组织过程神经网络应用 22
第4章 系统分析与设计 24
4.1系统概述 24
4.2系统开发环境与开发工具简介 24
4.3系统可行性分析 25
4.4总体设计 27
4.5系统详细设计 28
第5章 系统测试 30
参考文献 34
致谢 35
 
第1章 人工神经网络概述
1.1引言
神经网络的研究最早可追溯到1943年McCulloch-Pitts 的神经元数学模型；1964年Hebb提出了第一个神经元连接强度学习规则—Hebb规则；1957年Rosenblatt首次引进感知器(Perceptron)这一概念；1962年Widrow提出了自适应线性元件(Adline)；1969年Minsky和Papert的书Perceptron指出了单层感知器的致命缺点,使得神经网络的研究进入低潮。在神经网络遭冷遇时期(1969-1982)，仍有不少学者致力于神经网络的理论研究，如Amari的神经网络数学理论，Grossberg的自适应理论，Anderson的BSB模型，Fukushima的神经认知网络理论，Kohonen的自组织映射网络等。到80年代初,Hopfield提出了HNN模型,通过引入能量函数成功地解决了TSP问题，使神经网络获得了新生。之后，新模型新理论层出不穷，如Hinton，Sejnowski和Ackley的Boltzmann机模型，Kosko的联想记忆模型，Hicht-Nielson的反向传播网络(BP)。特别是对多层BP网络的逼近能力及学习算法的研究取得了很大进展,1989年Hornik，Funahashi，Hecht-Nielson，Cybenko等分别独立给出了BP网的逼近定理；1986年Rumelhart，Hilton和Williams提出了BP网的一般Delta学习法则，两者分别确立了BP网络的计算能力和计算途径，从而为BP网的理论与应用研究开辟了广阔的前景。当前，BP网是应用最多的神经网络也是研究最成熟的网络，除逼近能力和学习算法的改进研究外，还涉及学习容量，计算复杂性，网络拓扑结构优化，泛化能力等。
目前，有关神经网络的研究主要集中在如下几个方面：
1.神经网络的理论基础。如神经网络的模型与分类，神经网络的映射机理，神经网络的逼近理论等，其中神经网络模型是用神经网络方法表示问题的基本方式，映射机理是解释神经网络和优化神经网络结构的依据，逼近理论是考察神经网络模型求解问题能力的基本工具。
2.确定神经网络结构与参数的方法。神经网络的拓扑结构的优化一直是神经网络界研究的一个重点，也是一个难点；即使是对人们比较熟悉的多层前馈神经网络，虽然取得了一些研究成果，但对于一个具体的问题，如何合理地选取神经网络的隐层数和隐层节点的个数仍是一个没有完全解决的问题。学习算法是确定神经网络中待定参数的手段，也是神经网络研究的重点。除了传统的竞争学习外，目前学习算法主要可分为两大类，一类是局部优化算法，如经典优化算法，包括梯度下降法(BP)，牛顿法，共轭梯度法，信赖域法等，另一类是全局优化算法，如模拟退火算法，单纯形算法，同伦算法，遗传算法等。
3.神经网络的应用。应用研究是神经网络的归宿，神经网络的研究必须和实际问题相结合。事实上，各种神经网络模型的提出都有其实际的应用背景。目前，由于神经网络受所解决问题的规模的限制，学习样本一般不能太多（如<1000），这还远远不能满足实际问题的需要。另外，神经网络的推广能力（又称泛化能力）也一直是引起人们关注的问题，因为用神经网络做预测问题必须要求要有较高的泛化能力。
1.2人工神经元模型