2024年6月29日
星期六
|
欢迎来到维普•公共文化服务平台
登录
|
进入后台
[
APP下载]
[
APP下载]
扫一扫,既下载
全民阅读
职业技能
专家智库
参考咨询
您的位置:
专家智库
>
>
陈一峰
作品数:
2
被引量:3
H指数:1
供职机构:
北京理工大学人工智能研究所
更多>>
相关领域:
自动化与计算机技术
更多>>
合作作者
曹元大
北京理工大学人工智能研究所
作品列表
供职机构
相关作者
所获基金
研究领域
题名
作者
机构
关键词
文摘
任意字段
作者
题名
机构
关键词
文摘
任意字段
在结果中检索
文献类型
2篇
中文期刊文章
领域
2篇
自动化与计算...
主题
2篇
神经网
2篇
神经网络
2篇
模式识别
1篇
神经网络模型
1篇
网络
1篇
网络模型
机构
2篇
北京理工大学
作者
2篇
曹元大
2篇
陈一峰
传媒
1篇
模式识别与人...
1篇
Journa...
年份
2篇
1996
共
2
条 记 录,以下是 1-2
全选
清除
导出
排序方式:
相关度排序
被引量排序
时效排序
一种用于时空模式识别的综合神经网络
被引量:1
1996年
介绍了一种用于时空模式识别的综合神经网络模型,称为TS-LM-SOFM.该网络的顶层是一种称为TS(temporalsequence)的单层时序识别网络,可以把时序模式转换成抽象的空间模式.该网络的底层是SOFM(自组织特征映射网络),用于空间模式特征检测.LM(学习矩阵)用于上述两层的联接.在实验中,用移动机器人超声阵列传感器作为输入训练,结果表明,该神经网络输出的模式能够较好地抽象表示输入信号的时空特征.
曹元大
陈一峰
关键词:
神经网络
模式识别
一种时空模式识别的综合神经网络模型
被引量:2
1996年
本文提出一种用于时空模式识别的综合神经网络模型,称为TS-LM-SOFM.该模型高层是一种单层时序整合网络,称为TS(Temporal Sequence)网络.TS网络以稀疏激励模式作为输入,由于神经元的兴奋性衰减作用,存储记忆的时序模式会在空间上逐渐展开,变换为抽象的空间模式.该模型底层是SOFM(Self-Organizing Feature Map),其作用是空间模式整合与实际信号的特征检测.LM(Learning Matrix)作为TS与LM的中间过渡层.利用TS-LM-SOFM对超声导航的机器人实际采集的数据进行处理,实验表明,TS-LM-SOFM神经网络输出的模式能够较好地抽象表示输入信号的时空特征.
陈一峰
曹元大
关键词:
神经网络
模式识别
全选
清除
导出
共1页
<
1
>
聚类工具
0
执行
隐藏
清空
用户登录
用户反馈
标题:
*标题长度不超过50
邮箱:
*
反馈意见:
反馈意见字数长度不超过255
验证码:
看不清楚?点击换一张