人工神經(jīng)網(wǎng)絡方法(1)-資料下載頁
2025-01-05 22:58本頁面
【正文】 onen網(wǎng)絡的學習和工作規(guī)則 Kohonen網(wǎng)絡的自組織學習過程可以描述為：對于每一個網(wǎng)絡的輸入，只調整一部分權值，使權向量更接近或更偏離輸入矢量，這一調整過程，就是競爭學習，隨著不斷學習，所有權矢量都在輸入矢量空間相互分離，形成了各自代表輸入空間的一類模式，這就是 Kohonen網(wǎng)絡的特征自動識別的聚類功能 。 ?建立城市分類的 Kohonen網(wǎng)絡模型 1 指標數(shù)據(jù)的處理 在本模型中 ， 采用標準差標準化 ， 將原始數(shù)據(jù) 轉換為： ),2,1(),( 21 mixxxxX inijiii ??? ??),2,1(),( 39。39。39。 239。 139。 mixxxxX inijiii ??? ??),2,1。,2,1(39。 njmis xxxjjijij ?? ????? ????????mijijjmiijj xxmsxmx1211,12 運用 Matlab神經(jīng)網(wǎng)絡工具箱建立 Kohonen網(wǎng)絡模型 將長江三角洲各城市的 28項指標導入 Kohonen網(wǎng)絡中 ，作為網(wǎng)絡的輸入模式 ， 因此輸入層的神經(jīng)元個數(shù)為 28；而競爭層的神經(jīng)元個數(shù)決定于需要分成幾類 ， 在不清楚分類數(shù)目的情況下 ， 競爭層神經(jīng)元個數(shù)從開始 ， 然后依次加 1， 分別進行學習 。 在 Kohonen網(wǎng)絡模型中 ， 選擇網(wǎng)絡訓練的迭代最大次數(shù)為 1000次 ， 初始的學習率為 。 3 Kohonen網(wǎng)絡模型的分類結果 ?結果及討論 從長江三角洲城市的分類模型結果來看 ， 分類結果與實際情況大體一致 ， 結果較為理想 。 該方法的最大的優(yōu)點是避免了各層次權重帶來的主觀性 。 運用 Kohonen網(wǎng)絡進行城市分類 ， 存在很多需要改進的地方 。 比如 ， 如果指標體系的合理選取和完善 ， 加大學習樣本以及輸入模式 ， 就可以加大網(wǎng)絡的適應性；另外網(wǎng)絡的學習算法也有待進一步改進 ， Kohonen網(wǎng)絡是自適應學習的神經(jīng)網(wǎng)絡 ， 其學習率隨著時間減少 ， 保證了全值的收斂性；但是這些學習率沒有考慮輸入模式和相應的聚類中心的逼近程度 ， 如果引入代表這種逼近程度的模糊隸屬度 [1]來表示 Kohonen網(wǎng)絡的自適應學習的強度 ， 將監(jiān)督學習與非監(jiān)督學習結合起來 ， 分類的效果將更好 。
教學課件相關推薦
鄂ICP備17016276號-1