论文部分内容阅读
传统A RT 2神经网络在聚类过程中模式的匹配度量仅仅与模式的相位信息相关，这种匹配度量忽略了模式的幅度信息的作用，在对相位信息相同而幅度信息不同的两个簇进行聚类时，效果很差；同时，它还存在输入域限制的问题。针对这些不足之处，提出了一种改进的A RT 2神经网络，在输入模式进入网络学习过程中，保存其幅值信息，放宽对负实数的非线性转换，并考虑输入模式到各个簇的中心点的最短距离，同时增加一个阈值对离群点进行判定，消除了离群点对聚类结果的影响。实验验证，改进的A RT 2网络在对相同相位的两个簇聚类时，性能明显