1、傳統(tǒng)神經(jīng)網(wǎng)絡只能進行一次學習，不能在第一次學習的基礎上實現(xiàn)二次學習?，F(xiàn)實生活中不可能一次性獲得所有的神經(jīng)網(wǎng)絡訓練數(shù)據(jù)，所以很多學者提出了增量學習的神經(jīng)網(wǎng)絡。本文研究新增類別的增量學習，在保留已學知識的基礎之上，從新樣本中學習新知識。
　　為了解決增量學習網(wǎng)絡中可塑性和穩(wěn)定性的難題，本文采用集成方法進行增量學習。針對集成增量學習網(wǎng)絡增長過快問題，本文提出了基于RBF(徑向基)神經(jīng)網(wǎng)絡的集成增量學習方法。該方法每次學習新的類別知識時都

2、訓練一個RBF子神經(jīng)網(wǎng)絡，把新訓練的RBF子神經(jīng)網(wǎng)絡加入到集成系統(tǒng)中，從而組建成一個大的集成神經(jīng)網(wǎng)絡系統(tǒng)，并用最近中心法確定獲勝子網(wǎng)絡，網(wǎng)絡的結果輸出由獲勝子網(wǎng)絡決定，與其他非獲勝子網(wǎng)絡無關。為了解決RBF學習過程中不同子網(wǎng)絡核函數(shù)中心相近的問題，本文引入了SOM(自組織映射)神經(jīng)網(wǎng)絡，用訓練好的SOM原型向量構建PNN(概率神經(jīng)網(wǎng)絡)，并用最大概率確定獲勝子網(wǎng)絡?；谝陨蟽煞N確定獲勝子網(wǎng)絡的方法，本文又提出了最近中心與最大概率相結合的