人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用之自組織網(wǎng)絡(luò)(編輯修改稿)
2025-03-16 15:28 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 權(quán)輸入和可分為如下幾種情況– p2等于 p1，即有 θ 12＝ 0，此時(shí)，內(nèi)星加權(quán)輸入和為 1– p2不等于 p1，內(nèi)星加權(quán)輸入和為 1– p2＝ p1，即 θ 12＝ 180176。 時(shí)，內(nèi)星加權(quán)輸入和達(dá)到最小值 1168。 訓(xùn)練結(jié)果– 當(dāng)多個(gè)相似輸入矢量輸入內(nèi)星，網(wǎng)絡(luò)的權(quán)矢量趨向于相似輸入矢量的平均值– 對(duì)于一個(gè)已訓(xùn)練過(guò)的內(nèi)星網(wǎng)絡(luò)，當(dāng)輸入端再次出現(xiàn)該學(xué)習(xí)過(guò)的輸入矢量時(shí)，內(nèi)星產(chǎn)生 1的加權(quán)輸入和– 而與學(xué)習(xí)過(guò)的矢量不相同的輸入出現(xiàn)時(shí)，所產(chǎn)生的加權(quán)輸入和總是小于 12023/3/2921 網(wǎng)絡(luò)訓(xùn)練168。 競(jìng)爭(zhēng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練過(guò)程，實(shí)際上是對(duì)輸入矢量的劃分聚類過(guò)程，使得獲勝節(jié)點(diǎn)與輸入矢量之間的權(quán)矢量代表獲勝輸入矢量168。 競(jìng)爭(zhēng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn) r由已知輸入矢量決定的。但競(jìng)爭(zhēng)層的神經(jīng)元數(shù) s由設(shè)計(jì)者確定，一般情況下，可根據(jù)輸入矢量的維數(shù)及估計(jì)，再適當(dāng)?shù)卦黾有?shù)目來(lái)確定。2023/3/2922 局限性168。 競(jìng)爭(zhēng)網(wǎng)絡(luò)比較適合用于具有大批相似數(shù)組的分類問(wèn)題168。 競(jìng)爭(zhēng)學(xué)習(xí)網(wǎng)絡(luò)的局限性– 競(jìng)爭(zhēng)網(wǎng)絡(luò)適用于當(dāng)具有典型聚類特性的大量數(shù)據(jù)的辨識(shí)– 當(dāng)遇到大量的具有概率分布的輸入矢量時(shí)，競(jìng)爭(zhēng)網(wǎng)絡(luò)就無(wú)能為力了，這時(shí)可采用科荷倫網(wǎng)絡(luò)來(lái)解決此類問(wèn)題2023/3/2923三、科荷倫網(wǎng)絡(luò) 設(shè)計(jì)思想 網(wǎng)絡(luò)模型 網(wǎng)絡(luò)訓(xùn)練2023/3/2924 設(shè)計(jì)動(dòng)機(jī)168。 神經(jīng)細(xì)胞模型中還存在著一種細(xì)胞聚類的功能柱。一個(gè)功能柱中的細(xì)胞完成同一種功能。它由多個(gè)細(xì)胞聚合而成的，在接受外界刺激后，它們會(huì)自動(dòng)形成功能柱168。 當(dāng)外界輸入不同的樣本到科荷倫自組織映射網(wǎng)絡(luò)中，一開(kāi)始時(shí)輸入樣本引起輸出興奮的位置各不相同，但通過(guò)網(wǎng)絡(luò)自組織后會(huì)形成一些輸出群，它們分別代表了輸入樣本的分布，反映了輸入樣本的圖形分布特征，所以科荷倫網(wǎng)絡(luò)常常被稱為特性圖168。 通?？坪蓚惥W(wǎng)絡(luò)的權(quán)矢量收斂到所代表的輸入矢量的平均值，反映輸入數(shù)據(jù)的統(tǒng)計(jì)特性2023/3/2925 網(wǎng)絡(luò)模型168。 科荷倫網(wǎng)絡(luò)結(jié)構(gòu)也是兩層：輸入層和競(jìng)爭(zhēng)層168。 競(jìng)爭(zhēng)層可以由一維或二維網(wǎng)絡(luò)矩陣方式組成，且權(quán)值修正的策略也不同– 一維網(wǎng)絡(luò)結(jié)構(gòu)與基本競(jìng)爭(zhēng)學(xué)習(xí)網(wǎng)絡(luò)相同– 二維網(wǎng)絡(luò)結(jié)構(gòu)2023/3/2926 網(wǎng)絡(luò)訓(xùn)練168。神經(jīng)元領(lǐng)域概念168。權(quán)值調(diào)整范圍– 逐層遞減2023/3/2927四、 ART神經(jīng)網(wǎng)絡(luò) 網(wǎng)絡(luò)簡(jiǎn)介 網(wǎng)絡(luò)結(jié)構(gòu) 工作過(guò)程2023/3/2928 網(wǎng)絡(luò)簡(jiǎn)介168。 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)遇到的問(wèn)題– 在樣本數(shù)據(jù)訓(xùn)練的過(guò)程中，無(wú)論是監(jiān)督式還是無(wú)監(jiān)督式的訓(xùn)練，均會(huì)出現(xiàn)對(duì)新模式的學(xué)習(xí)，時(shí)刻面臨著新知識(shí)的學(xué)習(xí)記憶荷對(duì)舊知識(shí)的退化忘卻的問(wèn)題? 在監(jiān)督式的訓(xùn)練情況下，使網(wǎng)絡(luò)逐漸達(dá)到穩(wěn)定的記憶需要通過(guò)反復(fù)訓(xùn)練，從而對(duì)已學(xué)習(xí)過(guò)的模式的部分甚至是全部的忘卻? 在無(wú)監(jiān)督情況下，對(duì)新的數(shù)據(jù)的學(xué)習(xí)同樣會(huì)產(chǎn)生對(duì)某種已經(jīng)記憶的典型矢量的修改，造成對(duì)已學(xué)習(xí)數(shù)據(jù)的部分忘卻168。 理想情況– 能夠?qū)W會(huì)新的知識(shí)，同時(shí)對(duì)已學(xué)過(guò)的知識(shí)沒(méi)有不利影響– 在輸入矢量特別大的情況下，很難實(shí)現(xiàn)。通常只能在新舊知識(shí)的取舍上進(jìn)行某種折衷，最大可能地接受新的知識(shí)并較少地影響原有知識(shí)2023/3/2929 網(wǎng)絡(luò)簡(jiǎn)介168。 自適應(yīng)共振理論 (Adaptive Resonance Theory, ART)網(wǎng)絡(luò)可以較好地解決前述問(wèn)題– 網(wǎng)絡(luò)和算法具有較大地靈活性，以適應(yīng)新輸入的模式，同時(shí)極力避免對(duì)網(wǎng)絡(luò)先前學(xué)習(xí)過(guò)地模式的修改– 記憶容量可以隨樣本的增加而自動(dòng)增加，可以在不破壞原記憶樣本的情況下學(xué)習(xí)新的樣本168。 ART是美國(guó)波士頓大學(xué)的 A. Carpenter和Grossberg提出。具有兩種形式– ART1處理雙極性（或二進(jìn)制）數(shù)據(jù)– ART2處理連續(xù)數(shù)據(jù)2023/
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1