神經(jīng)網(wǎng)絡(luò)控制3其他網(wǎng)絡(luò)論文資料-資料下載頁
2025-01-04 14:42本頁面
【正文】 分析：對以上學(xué)習(xí)規(guī)則進(jìn)行如很小為止。整值都變得），直到各連接權(quán)的調(diào)）返回步驟（（jiiijSuuw2 0 01 01 27 ????????2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 62 011 1 3 1111?????????????????? ??????）（束條件：）網(wǎng)絡(luò)加權(quán)始終滿足約（??????niijMnikiniijwuMw2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 63 抑制競爭型神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)算法 除了靠競爭手段使神經(jīng)元獲勝的方法外，還有靠抑制手段使神經(jīng)元獲勝的方法。 這種網(wǎng)絡(luò)學(xué)習(xí)算法的基本思想是：當(dāng)競爭層某個(gè)神經(jīng)元的輸入值大于其它所有神經(jīng)元的輸入值時(shí)，依靠其輸出所具有的優(yōu)勢（即其輸出值較其他的神經(jīng)元大）通過抑制作用將其它神經(jīng)元的輸出之逐漸減小。這樣，競爭層各神經(jīng)元的輸出就形成連續(xù)變化的模擬量。這里具體介紹以下兩點(diǎn)： 網(wǎng)絡(luò)的結(jié)構(gòu) 網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 64 抑制競爭型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 抑制競爭型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖。 特點(diǎn)：競爭層之間存在起抑制作用的橫向連接（非連接加權(quán)，無具體數(shù)值） 2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 65 抑制競爭型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 66 網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 ? ?：經(jīng)元下一時(shí)刻的輸出值）按下式計(jì)算競爭層神（）（初值，即作為其輸出值的輸入值）以競爭層各神經(jīng)元的（）（神經(jīng)元的輸入）按下式計(jì)算競爭層各（供給網(wǎng)絡(luò)輸入層。）任選一個(gè)輸入模式提（）之間的隨機(jī)值。，（按約束條件賦予）初始化（5 ,2,1 0 4 ,2,1 :3 2 10 1 1mjSvSmjuwSSwjjjniiijjjij?????? ??2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 67 ? ? ? ? ? ? ? ?? ?? ?? ?相連的連接權(quán)進(jìn)行調(diào)整）對與神經(jīng)元（經(jīng)元的輸出為止。個(gè)神于其它個(gè)神經(jīng)元的輸出值遠(yuǎn)大更新，直到第反復(fù)進(jìn)行），按上式對輸出）返回步驟（（）（jmjtvxxxxxFtvQmjttvQtvQtvFtvjmjjmjiijjjj7 156 1 10 010 1 1,0。,2,1。,2,1 11111???????????????????????????????????????????????????????2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 68 38 10。,2,1 )()1( 供給網(wǎng)絡(luò)為止。所有的學(xué)習(xí)模式全部提），直至，返回步驟（）選擇另一種學(xué)習(xí)模式（）（ ?????????????????? niwMuwwtwtwijkiijijijij?2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 69 主要內(nèi)容 下面介紹 SOFM網(wǎng)絡(luò)的模型結(jié)構(gòu)、學(xué)習(xí)算法及網(wǎng)絡(luò)特性。 網(wǎng)絡(luò)模型結(jié)構(gòu) 競爭層競爭規(guī)則 學(xué)習(xí)工作規(guī)則 一個(gè)實(shí)例 2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 70 SOFM網(wǎng)絡(luò)模型結(jié)構(gòu) 兩層網(wǎng)絡(luò) 輸入： n個(gè)元 輸出： mxm個(gè)元 2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 71 而是以若干神經(jīng)元同時(shí)（并行）反映結(jié)果。與這若干神經(jīng)元相連的連接權(quán)雖略有差別，但這些神經(jīng)元的分類作用基本上是并列的，即其中任何一個(gè)神經(jīng)元都能代表分類結(jié)果或近似分類結(jié)果。 此外，這種網(wǎng)絡(luò)之所以稱為特征映射網(wǎng)絡(luò)，是因?yàn)榫W(wǎng)絡(luò)通過對輸入模式的反復(fù)學(xué)習(xí)，可以是連接權(quán)矢量的空間分布密度與輸入模式的概率分布趨于一致，即連接權(quán)矢量的空間分布能反映輸入模式的統(tǒng)計(jì)特征。 可見， SOFM網(wǎng)絡(luò)可用于樣本排序、樣本分類及樣本特征檢測等。 2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 72 工作區(qū)域 2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 73 學(xué)習(xí)工作規(guī)則 ? ?? ?? ?? ? ? ? ? ? ? ? ? ??？倢W(xué)習(xí)次數(shù)的及的初值）。確定領(lǐng)域（的初值習(xí)速率區(qū)間的隨機(jī)值。確定學(xué)，賦予）初始化。將（歸納如下：網(wǎng)絡(luò)的信息工作規(guī)則可為數(shù)字量。為模擬量，而。其中連接權(quán)矢量為與輸入層神經(jīng)元之間的。競爭層神經(jīng)元的輸出響應(yīng)為競爭層神經(jīng)元。設(shè)網(wǎng)絡(luò)的輸入模式為TNtNtWVUMjWjMjvjpkuuuUggjkTjmjjjjTknkkk01000101 ,2,1,,2,1, ,2,1, 2121???????????????2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 74 ? ?? ?? ?? ?? ?? ?? ? ? ? ? ?? ? ? ?? ?）（其它間的連接權(quán)進(jìn)行修正經(jīng)元與輸入層神經(jīng)元之內(nèi)所有神對競爭層鄰域）進(jìn)行連接權(quán)的調(diào)整。（確定獲勝神經(jīng)元）找到最小距離（之間的歐氏距離與輸入矢量）計(jì)算（進(jìn)行歸一化處理，即令并模式）給網(wǎng)絡(luò)提供一個(gè)輸入（nitwtNjtwuttwtwtNMjddgdMjwudUWuUUUUuuuUjigjikijijigjggnikikijkjnikikkkkTknkkk,2,1 1 5 ,2,1 m i n ,4 ,2,1 3 ,2 21121221???????? ????????????????????????2022/2/1 神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用 75 ? ?? ?? ?? ?? ? ? ?? ? ? ?? ? ? ?? ?為止。），直到，返回步驟（）令（取整。表示對為學(xué)習(xí)總次數(shù)；為學(xué)習(xí)次數(shù)；為學(xué)習(xí)速率初值；式中，及鄰域）更新學(xué)習(xí)速率（遍。個(gè)學(xué)習(xí)模式全部提供一），直到（步驟給網(wǎng)絡(luò)的輸入層，返回）將下一輸入模式提供（進(jìn)行歸一化處理，即令）對連接權(quán)矢量（TtttxxTtTtNtNTtttNtptwtWtWtWtWtWgggnjjijjjjj???????????????????????????????????219 i n t0i n t 1)( 8 27 11 111 16 0012????
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1