神經(jīng)網(wǎng)絡模式識別法介紹-資料下載頁
2025-01-07 14:43本頁面
【正文】 (0 ?? t?)(t?第六步：轉(zhuǎn)到第二步。 聚類中心：存儲在與神經(jīng)元 j*連接的權(quán)值上。 輸出層神經(jīng)元鄰域的選擇： )( 2* tNE j )( 1* tNE j )0(*jNE *j 初始鄰域選擇大些，隨算法的進行逐步收縮。 反饋網(wǎng)絡模型 Hopfield網(wǎng)絡 尋找記憶： 模擬人腦聯(lián)想記憶功能的神經(jīng)網(wǎng)絡模型。 網(wǎng)絡由 初始狀態(tài) 向穩(wěn)定狀態(tài)演化的過程。 初始輸出模式向量 單層全互連、權(quán)值對稱的神經(jīng)網(wǎng)絡。 結(jié)構(gòu)： Hopfield網(wǎng)絡 （ HNN） 離散型 HNN(DHNN)： MP模型二值神經(jīng)元 連續(xù)型 HNN(CHNN)： 神經(jīng)元為連續(xù)時間輸出。 * 每個神經(jīng)元的輸出通過加權(quán)與其余神經(jīng)元的輸入端連接； * 輸入模式向量的各分量及神經(jīng)元的輸出值取 (+1)或 (1)； * 神經(jīng)元的個數(shù)與輸入模式向量的維數(shù)相同； * 記憶樣本記憶在神經(jīng)元之間的連接權(quán)上。 x 1 x 2 x n … … x n 1 … 1x? 2x? 1??nx nx? w ij DHNN： * 每個模式類有一個記憶樣本， 是網(wǎng)絡的 一 個穩(wěn)定輸出狀態(tài)。 設 是第 s類的記憶樣本。為了存儲 M個記憶樣本，神經(jīng)元 i和神經(jīng)元 j之間的權(quán)值 wij為 設有 M 類模式，則有 M個記憶樣本，分別是網(wǎng)絡的 M個穩(wěn)定輸出狀態(tài)。 T21 ],[ snsss xxx ??X ???????? ??jijixxwMssjsiij,0,1nji ,2,1, ??若神經(jīng)元 i的輸入為 ui，輸出為 ，則 ix?????njjiji xwu1 ???????? ???? ??njjijii xwfufx1)(式中， ????????0,10,1)(iii uuuf 若輸入一個未知類別的模式 X，網(wǎng)絡初始狀態(tài) 由 X決定，根 據(jù)上述算法，網(wǎng)絡從初始狀態(tài)開始逐步演化，最終趨向于一個穩(wěn)定狀態(tài)，即輸出一個與未知類別模式相似的記憶樣本。 說明： 定義網(wǎng)絡的能量函數(shù) ? ?? ?????ninjijij xxwE1 121由某一神經(jīng)元的狀態(tài)的變化量 引起的 E變化量為 ix?Δinjjij xxwE ???? ??Δ)(21Δ10?iiw式中， ， 。 jiij ww?E0， E有界，網(wǎng)絡最終可達到一個不隨時間變化的穩(wěn)定狀態(tài)。 算法步驟： 第一步：給神經(jīng)元的連接權(quán)賦值，即存貯記憶樣本。 ???????? ??jijixxwMssjsiij,0,1nji ,2,1, ??第二步： 用 輸入的未知類別的模式 設置網(wǎng) 絡的初始狀態(tài)。 T21 ],[ nxxx ??Xii xx ?? )0( ni ,2,1 ??若 表示神經(jīng)元 i在 t時刻的輸出狀態(tài)，則初始值： )(txi?第三步：迭代計算 至算法收斂。 )( ?? txi ?????? ???? ??njjiji txwftx1)()1(ni ,2,1 ??第四步：轉(zhuǎn)到第二步，輸入新模式。 神經(jīng)元輸出與未知模式匹配最好的記憶樣本。 Hopfield神經(jīng)網(wǎng)絡的局限性： * 網(wǎng)絡能記憶和正確回憶的樣本數(shù)相當有限； * 如果記憶中的某一樣本的某些分量與別的記憶樣本的 對應分量相同，這個記憶樣本可能是一個不穩(wěn)定的平 衡點。 已證明：當記憶不同模式類的樣本數(shù)小于網(wǎng)絡中神經(jīng)元個數(shù)（或模式向量的維數(shù)）的 ，收斂 于偽樣本的情況才不會發(fā)生。 可以利用正交算法消除。 結(jié)束
教學課件相關推薦
鄂ICP備17016276號-1