[发明专利]一种自适应神经网络学习方法及神经网络系统

摘要

本发明公开了一种自适应神经网络学习方法及该神经网络系统，该神经网络系统包含：输入层、隐含层、输出层和知识库，该方法包含：(1)新建并初始化知识库，对隐含层和输出层的权值调整并使输出结果相似度满足收敛条件；(2)在线自适应学习，对于某一输入数据将该组连接权值作为初始值，使用学习算法，得到输出结果；(3)判断输出结果和对应的期望输出的相似度是否满足要求：当满足要求时，则输出结果；否则，重复步骤(2)，历遍知识库中的所有知识，仍未找到，则视该数据为一项新知识的样本；(4)按照步骤(1)对连接权值进行调整，添加到知识库中。本发明的方法能够处理和判别内外数据、新旧数据，实现在线自适应学习和识别功能。

主权项

1.一种自适应神经网络学习方法，其特征在于，神经网络系统包含：输入层、隐含层、输出层和知识库，该知识库K＝(S1,S2……Sm)，Sb为神经网络连接权值，Sb＝(V|W|Y)，b＝1,2……m，Y是期望输出，V和W分别为网络隐含层的连接权值和输出层的连接权值；该方法包含：(1)新建并初始化知识库：获得训练集合的知识，每项知识对应一组隐含层的连接权值V和输出层的连接权值W，对训练过程中的隐含层和输出层的权值进行调整，并使输出结果相似度E满足收敛条件，确定最终输出的连接权值；(2)在线自适应学习，搜索所述知识库中任意一项知识，获得其对应的隐含层的连接权值V和输出层的连接权值W，对于某一输入数据将该组连接权值作为初始值，使用步骤1中权值的调整对连接权值进行调整，连续运算规定的学习次数N，得到实际运算的输出结果；(3)判断输出结果和对应的期望输出的相似度是否满足要求：当输出结果与对应的期望输出的相似度达到要求时，则输出结果；当输出结果与对应期望输出相似度未达到要求时，则从知识库中按序搜索并选取新的一项知识，获取一组新的隐含层、输出层以及期望输出，重复步骤(2)，若历遍所述知识库中的所有知识，仍未找到对应的知识时，则视该数据为一项新知识的样本；(4)按照步骤(1)中的权值的调整对连接权值进行调整，直至输出结果相似度E满足收敛条件，将对应输出层的连接权值、隐含层的连接权值和期望输出合并为一项新的知识，添加到知识库K中。