286 智能系统学报 第4卷 含，(e(业≥ 的提高.这是由于PPNN模型中，隐层激励函数采用了 具有概率特性的指数函数，同时模式层对隐层输出结 （(,(0)u+a(ou)=-1 果起到了较好的分流作用.PPNN所具有的概率统计特 性提高了对样本模式特征的概括及提取能力. (15) 15 因此 10 (16) 根据激励西数g(☑)=6四]可知，®层 10 10 0 5 10 输出0≤h=g(Z)≤1，求和单元简单地把隐层输出 相累加，然后经加权聚合，在输出层给出[0,1]区间 图4线性交叉数据集聚类样本 的实数值，以确定最终的模式类属，显然输出结果呈 Fig.4 Cluster samples of linear cross dataset 现出一定的概率性， 表1PPNN参数设置 3概率过程神经元网络的学习算法 Table 1 Parameter setting of PPNN PPNN PPN 对于图2所示PPNN模型，可调参数为输出层 输人隐层 U 0 隐层输出层 权值.及隐层平滑参数σ，·定义误差函数为 节点节点选代 步数 学习学习 迭代 学习学习 步数 (dky)2 (17) 速率速率 速率速率 3 101000.8 0.5 1000.60.7 采用梯度下降算法，及σ的调整量计算式为 M 表2PPNN训练结果 aE (18) Table 2 Training results of PPNN aE M 第1类 第2类 （dk-yt)vh× 算法 正确数正确率/% 正确数正确率/% PPNN 99 98.02 96 95.05 (19) PNN 91 90.09 95 94.06 巴及σ的调整计算式为 5 结束语 aE =k-a (20) a 本文提出了一种概率过程神经元网络模型及分 0=0-8 类算法，从神经网络的逼近能力看，该算法可以认为 aoi (21) 是一种确定型算法；但该模型隐层采用具有概率意 义的指数激励函数，使得模型同时具备了随机型算 4 实验分析 法的某些特征，整个模型的推理结构与贝叶斯决策 采用如下数据集：C1:y1=x+6;C2:y2=-x+ 理论相一致.概率过程神经元网络采用过程式输入， 8;-10≤x≤10.其中数据噪声8~V(0,σ2)，σ= 有效拓宽了普通概率神经网络的适用范围.由于模 0.1;样本数据采样间隔为△x=0.20.由C1、C2各产 型可调参数少，收敛速度快，因而适合信息的实时处 生101个数据点作为训练样本，如图4所示，样本数 理.实验结果表明，该模型及算法在模式分类方面具 据为2维.为增强样本自身特征，给每类样本增加第 有一定潜力. 3维：z=sg(y)(abs(y)',实验中r=0.01.由于 参考文献： C1和C2在x=0附近交叉，故当x∈[0.4,0.6]时， 分类结果都视为正确。网络参数见表1，训练结果对 [1]SPECHT D F.Probabilistic neural networks for classifica- 比见表2. tion mapping,or associative memory[C]//Proceedings of 实验结果表明，本文建立的PPNN模型与普通 IEEE International Conference on Neural Networks.San Di- PN模型相比，分类的正确数及正确率均有不同程度 eg0,CA,1988:525532