概率神经网络：回归、判别与聚类的多功能实现

本文主要探讨了概率神经网络在1993年的应用与发展，特别是针对回归、判别和聚类三种关键任务。作者成奇明和张树京提出了一种基于相同网络结构的创新方法，通过设计不同的权重学习算法及通用变元最优选择策略，增强了网络在处理这些任务上的性能。 首先，文章指出回归和判别是神经网络的核心功能，如BP网络可以实现复杂的映射和函数逼近，适用于回归分析和判别任务。然而，BP网络在训练时间和结构选择上存在挑战，如层深和隐藏节点数量的优化不易。相比之下，Kohonen自组织网络则利用自学习过程实现输入样本的聚类，但其功能相对单一。 概率神经网络作为一种改进型网络，通过相同的结构，能够通过调整连接权来同时实现回归、判别和聚类。其结构包括输入单元层、模式单元层和输出单元层，输出单元由两个子单元构成，其中权值Wi1、Aik和Bik起着关键作用。平滑参数σ在学习过程中起到重要作用，随着模式单元数量m的增加，σ需要适当调整以保证网络的性能。 文中提到的训练方法确保了网络的快速收敛，使得网络结构简单且易于软件模拟实施。这种网络在实际应用中展现出广泛的优势，特别是在预报、控制和决策等领域，能够方便地处理数据关系的识别和分析。 关键词包括回归、决策、聚类分析以及神经网络，文章的分类号为TP387和TN911.72，进一步明确了研究的专业领域和主题。这篇论文提供了一种有效的方法，通过概率神经网络整合多种数据分析功能，为人工智能和机器学习领域的研究者们提供了新的视角和工具。