hejianhua-神經(jīng)網(wǎng)絡(luò)講義-part6-自組織網(wǎng)絡(luò)-資料下載頁
2025-05-28 01:20本頁面
【正文】 也是遞減的： n=max([ceil(max_neighb*(1x*4)) 1])； 3)計(jì)算輸入矢量加權(quán)和，并通過競爭求出獲勝節(jié)點(diǎn) A＝ pet(W*P)； 4)根據(jù)獲勝節(jié)點(diǎn)求出相鄰層 (以二維為例 )，并進(jìn)行權(quán)值修正： i=find(A＝＝ 1)； in=neighb2d(i, [X, Y], n)。 dW＝ learn(W, P, in, LR) W＝ W+dw； (3)輸出或顯示結(jié)果。 MATLAB工具箱中用于訓(xùn)練設(shè)計(jì)科荷倫網(wǎng)絡(luò)權(quán)矢量的函數(shù)為 ， 它能執(zhí)行上述的訓(xùn)練步驟的全過程。 最大鄰域數(shù)應(yīng)設(shè)置為層的最大直徑數(shù)減去 l。 例如，對一維特性圖 max_neighb應(yīng)為 S1； 對二維特性圖，其層神經(jīng)元寬為 X高為 Y時(shí)， max_neighb應(yīng)當(dāng)?shù)扔趦烧咧械妮^大值減去 1。 函數(shù) lr和最大鄰域max_neighb， 然后，其學(xué)習(xí)速率線性地遞減，以致于最后的訓(xùn)練周期里的學(xué)習(xí)速率為 0。鄰域數(shù)也是線性地減少，但在達(dá)到四分之一訓(xùn)練周期后，其值保持為最大值1直到最終訓(xùn)練結(jié)束。 給定一個(gè)特性圖的權(quán)矩陣 W， 它的鄰域函數(shù) F(作為一個(gè)字符串 )，以及競爭層大小 Np， 可以用函數(shù) 出特性圖。 8. 4對傳網(wǎng)絡(luò) 對傳網(wǎng)絡(luò) (Counter Propagation Network， 簡稱 CPN)是美國學(xué)者 HechiNielson在 1987年首次提出的。 從結(jié)構(gòu)上看， CPN是一種層次結(jié)構(gòu)的網(wǎng)絡(luò)，實(shí)際上， CPN是把兩種著名的網(wǎng)絡(luò)算法：科荷倫自組織映射理論與格勞斯貝格外星算法組合起來而形成的網(wǎng)絡(luò)。 8． 4． 1網(wǎng)絡(luò)結(jié)構(gòu) CPN網(wǎng)絡(luò)為兩層結(jié)構(gòu)：第一層為科荷倫層 ， 采用無指導(dǎo)的訓(xùn)練方法對輸入數(shù)據(jù)進(jìn)行自組織競爭的分類或壓縮 ，第二層稱為格勞斯貝格層 。 第一層的激活函數(shù)為二值型硬函數(shù) ， 而第二層為線性激活函數(shù) 。 1)對于科荷倫層的輸出有： 2)對于格勞斯貝格層，具有目標(biāo)矢量 G， 此時(shí)，從前層輸出的 K為它的輸入，輸出為： CPN的網(wǎng)絡(luò)結(jié)構(gòu)如圖 ： 8． 4． 2學(xué)習(xí)法則 1)在科荷倫層，通過競爭對獲勝節(jié)點(diǎn)采用科荷倫規(guī)則調(diào)整與其相連的權(quán)矢量： 2)在格勞斯貝格層，對與在科荷倫層輸出為 1的輸入相連的權(quán)值進(jìn)行如下的調(diào)整： 8． 4． 3訓(xùn)練過程 1)初始化： 歸一化處理輸入 、 目標(biāo)矢量 P和 G； 對權(quán)矢量 W1和 W2進(jìn)行歸一化隨機(jī)取值； 選取最大循環(huán)次數(shù) 、 學(xué)習(xí)速率 lr1和 lr2。 2)科荷倫層的無指導(dǎo)訓(xùn)練過程： 重復(fù)對輸入的樣本進(jìn)行競爭計(jì)算 ， 對獲勝的科荷倫層獲勝節(jié)點(diǎn)按科荷倫法對與其連接的權(quán)矢量進(jìn)行修正； 3)格勞斯貝格層有指導(dǎo)的訓(xùn)練過程： 尋找層輸入為 1的節(jié)點(diǎn)，并對與該節(jié)點(diǎn)相連的權(quán)矢量進(jìn)行修正； 4)檢查最大循環(huán)的數(shù)是否達(dá)到 ， 是 ， 則停止訓(xùn)練 ， 否 ， 則轉(zhuǎn)入 2)。 經(jīng)過充分訓(xùn)練后的 CPN可使其科荷倫層的權(quán)矢量收斂到相似輸入矢量的平均值，而使格勞斯貝格層權(quán)向量收斂到目標(biāo)矢量的平均值。 當(dāng) CPN訓(xùn)練后工作時(shí)，只要對網(wǎng)絡(luò)輸入一矢量 X， 則在科荷倫層經(jīng)過競爭后產(chǎn)生獲勝節(jié)點(diǎn)，并在格勞斯貝格層使獲勝節(jié)點(diǎn)所產(chǎn)生的信息向前傳送，在輸出端得到輸出矢量 Y， 這種由矢量 X得到矢量 Y的過程有時(shí)也稱為異聯(lián)想，更廣泛地說，它實(shí)現(xiàn)了一種計(jì)算過程。 當(dāng)訓(xùn)練 CPN使其格勞斯貝格層的目標(biāo)矢量 G等于科荷倫層的輸入矢量 P時(shí)，則可實(shí)現(xiàn)數(shù)據(jù)壓縮。具體做法是：首先是訓(xùn)練 CPN使其 G=P， 然后，將輸入數(shù)據(jù)輸入 CPN，在科荷倫層輸出得到 0， 1數(shù)據(jù)，這些數(shù)據(jù)為輸入的壓縮碼。解碼時(shí)，將在科荷倫層壓縮的 0， 1碼送入格勞斯貝格層，在其輸出端對應(yīng)得到解壓縮的矢量。
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1