增长型网络的拓扑结构分析开题报告

1. 研究目的与意义

本课题将研究growing cell structures, growing neural gas和growing self-organizing map等动态的增长型网络模型，将分别分析各自的学习算法，结合不同的网络拓扑结构：三角形，矩形等，最后生成的二维网络和学习的原始高维数据具有高度的拓扑相似性（要解释什么叫拓扑保持）。

并将该类模型应用到两个大小不同的数据集的模式分类上。

自增长性动态网络属于机器学习领域中无监督学习中的增量学习的一种，主要应用于大量甚至海量数据（流）需要处理的场合，这就要求要处理的数据不能全部存储，数据必须用完即抛弃，每个数据至多学习一遍，而且原来的已通过学习得到的模型必须能结合新来的数据不断更新而不必从头开始学习。

2. 国内外研究现状分析

将dcs的原则应用到fritzke的 gcs上产生了dcs-gcs算法。

dcs-gcs确实降低开销（fritzke必须处理相当复杂的数据结构，以便保持插入/删除单元之后的k维单行结构），并且可以在任何串行计算机上容易的实现。

在径向基神经网络学习算法的基础上,提出了一种新的rbf神经网络学习算法,该算法将变长度染色体遗传算法和最小二乘法相结合,能够同时确定径向基神经网络的结构和参数。

3. 研究的基本内容与计划

1月初到1月底 查阅相关资料，收集相关文献，完成开题工作。

2月初到3月初，深度阅读文献，提炼出思想，设计论文思路。

3月初到4月初 熟悉编程环境，编写相关程序，做相关实验。

4. 研究创新点

增长型神经网络通过自动增加神经网络中神经元个数或改变神经网络拓扑结构的策略，改进神经网络性能。

目前已成功应用到模式和数据分类上。