hejianhua-神經網絡講義-part6-自組織網絡(編輯修改稿)
2025-06-24 01:20 本頁面
【文章內容簡介】 “贏”了，則有： 而其他所有節(jié)點的輸出均為零，即： 此時 b)如果在競爭后，第 i個節(jié)點“輸”了，而“贏”的節(jié)點為 l， 則有： 此時 所以對整個網絡的加權輸入總和有下式成立： sl=nl+wll 對于 “ 贏 ” 的節(jié)點 l si=ni|wii| 對于所有 ” 輸 “ 的節(jié)點 i＝ 1， 2… s， i≠l 由此可以看出 ， 經過競爭后只有獲勝的那個節(jié)點的加權輸入總和為最大 。 競爭網絡的輸出為： 在判斷競爭網絡節(jié)點勝負的結果時，可直接采用 ni， 即： 取偏差 B為零是判定競爭網絡獲勝節(jié)點時的典型情況，偶而也采用下式進行競爭結果的判定： 通過上面分析，可以將競爭網絡的工作原理總結如下：競爭網絡的激活函數使加權輸入和為最大的節(jié)點贏得輸出為 1，而其他神經元的輸出皆為 0。這個競爭過程可用 MATLAB描述如下： n＝ W*P； [S， Q]＝ size(n)； x＝ n+b*ones(1， Q)； y＝ max(x)； for q＝ 1： Q ％ 找出最大加權輸入和 y(q)所在的行； s＝ find(x(:, q)＝ y(q))； ％ 令元素 a(z， q)＝ 1， 其他值為零； a(z(1)， q)＝ 1； end 這個競爭過程的程序已被包含在競爭激活函數， A＝ pet(W*P， B)； 8． 2． 2競爭學習規(guī)則 競爭網絡在經過競爭而求得獲勝節(jié)點后，則對與獲勝節(jié)點相連的權值進行調整，調整權值的目的是為了使權值與其輸入矢量之間的差別越來越小，從而使訓練后的競爭網絡的權值能夠代表對應輸入矢量的特征，把相似的輸入矢量分成了同一類，并由輸出來指示所代表的類別。 競爭網絡修正權值的公式為： 式中 lr為學習速率，且 0＜ lr＜ 1， 一般的取值范圍為； pj為經過歸一化處理后的輸入。 用 MATLAB工具箱來實現上述公式的過程可以用內星學習規(guī)則： A＝ pet(W*P)； dW＝ learnis(P， A， lr， W)； W＝ W十 dW； 更省時地是采用科荷倫學習規(guī)則如下： A＝ pet(W*P)； i＝ find(A==1)； dW＝ learnis(P， i， lr， W)； W＝ W十 dW； 不論采用哪種學習方法，層中每個最接近輸入矢量的神經元，通過每次權值調整而使權值矢量逐漸趨于這些輸入矢量。從而競爭網絡通過學習而識別了在網絡輸入端所出現的矢量，并將其分為某一類。 8． 2． 3競爭網絡的訓練過程 競爭網絡的學習和訓練過程，實際上是對輸入矢量的劃分聚類過程，使得獲勝節(jié)點與輸入矢量之間的權矢量代表獲勝輸入矢量。 這樣，當達到最大循環(huán)的值后，網絡已重復多次訓練了 P中的所有矢量，訓練結束后，對于用于訓練的模式 P， 其網絡輸出矢量中，其值為 1的代表一種類型，而每類的典型模式值由該輸出節(jié)點與輸入節(jié)點相連的權矢量表示。 競爭網絡的輸入層節(jié)點 r是由已知輸入矢量決定的，但競爭層的神經元數 s是由設計者確定的，一般情況下，可以根據輸入矢量的維數及其估計，再適當地增加些數目來確定。 另外還要事先確定的參數有：學習速率和最大循環(huán)次數。競爭網絡的訓練是在達到最大循環(huán)次數后停止，這個數一般可取輸入矢量數組的 15— 20倍，即使每組輸入矢量能夠在網絡重復出現 15~20次。 競爭網絡的權值要進行隨機歸一化的初始化處理 ， 這個過程在 MATLAB中用函數 ： w＝ randnr(S， R)； 然后網絡則可以進入競爭以及權值的調整階段。 網絡的訓練全過程完全由計算機去做，工具箱中的競爭網絡訓練函數為 ， 它的用法如下：
黨政相關相關推薦
鄂ICP備17016276號-1