65、高阶神经网络与遗传算法在不同领域的应用

高阶神经网络与遗传算法在不同领域的应用

高阶神经网络相关研究

高阶神经网络（HONNs）在多个领域有着广泛的研究和应用。网络输出不仅依赖外部输入，还与系统输入的整个历史相关。以动态脊多项式神经网络（DRPNN）为例，它具备记忆能力，能够解决一些传统网络的局限性，展现出强大的动态性能。

在不同的高阶神经网络中，如Pi - Sigma神经网络（PSNN）、Jordan Pi - Sigma神经网络（JPSNN）、脊多项式神经网络（RPNN）和动态脊多项式神经网络（DRPNN），多年来在分类、预测、预报以及其他领域（如图像编码、密码学、模式识别等）都有不同的研究成果。以下是不同HONN在各领域研究工作占比的大致情况：
| HONN分类器 | 分类 | 预测与预报 | 其他 |
| — | — | — | — |
| PSNN | - | - | - |
| JPSNN | - | - | - |
| RPNN | - | - | - |
| DRPNN | - | - | - |

PSNN是一种非常流行的前馈网络，在1991 - 2017年期间，被广泛应用于各个领域，如温度预报、股票市场预测、图像处理、图像压缩密码学以及非线性分类等。许多研究人员使用不同的优化算法（如差分进化（DE）、粒子群优化（PSO）、遗传算法（GA）、化学反应优化（CRO）、教学学习优化（TLBO））对PSNN及其变体的四个网络模块进行训练，以减少近似误差并优化权重向量。

mermaid格式流程图展示PSNN训练流程：

graph LR
    A[输