神經(jīng)網(wǎng)絡(luò)模式識別法介紹(參考版)
2025-01-09 14:43本頁面
【正文】 可以利用正交算法消除。 Hopfield神經(jīng)網(wǎng)絡(luò)的局限性： * 網(wǎng)絡(luò)能記憶和正確回憶的樣本數(shù)相當(dāng)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(yīng)分量相同，這個記憶樣本可能是一個不穩(wěn)定的平 衡點。 )( ?? txi ?????? ???? ??njjiji txwftx1)()1(ni ,2,1 ??第四步：轉(zhuǎn)到第二步，輸入新模式。 ???????? ??jijixxwMssjsiij,0,1nji ,2,1, ??第二步： 用 輸入的未知類別的模式 設(shè)置網(wǎng) 絡(luò)的初始狀態(tài)。 jiij ww?E0， E有界，網(wǎng)絡(luò)最終可達到一個不隨時間變化的穩(wěn)定狀態(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(luò)初始狀態(tài) 由 X決定，根 據(jù)上述算法，網(wǎng)絡(luò)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。 設(shè) 是第 s類的記憶樣本。 * 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。 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(luò)。 反饋網(wǎng)絡(luò)模型 Hopfield網(wǎng)絡(luò) 尋找記憶： 模擬人腦聯(lián)想記憶功能的神經(jīng)網(wǎng)絡(luò)模型。 聚類中心：存儲在與神經(jīng)元 j*連接的權(quán)值上。 設(shè) t時刻神經(jīng)元 j*的鄰域用 表示，權(quán)值修改為： )(* tNE j )]()()[()()1( twtxttwtw ijiijij ???? ?)(* tNE j? ni ??1：修正參數(shù)， ，隨 t的增加而減小。 第四步：選擇與輸入模式距離最小的輸出層神經(jīng)元 j*。 T21 ],[ nxxx ??X第三步：計算輸入模式到每個輸出層神經(jīng)元 j的距離 dj。 自組織特征映射算法步驟： 第一步：設(shè)置初始權(quán)值，定義輸出層神經(jīng)元的鄰域。 SOM網(wǎng)絡(luò)結(jié)構(gòu)： 輸出層：廣泛連接，格陣形式。 T. Kohonen關(guān)于自組織特征映射的含義： x1 x2 x n … … 輸入層：每個神經(jīng)元與輸出層所有神經(jīng)元連接。 第二步：輸入未知樣本，計算匹配網(wǎng)上層各神經(jīng)元的輸出 sj， 設(shè)置最大網(wǎng)中神經(jīng)元輸出的初始值。 )(1jniiijj xwfs ??? ??Mj ??1 jj sy ?)0( j ??1第三步，進行迭代運算直到收斂。 xij： 第 j類典型樣本的第 i個分量； wij：匹配網(wǎng)上層神經(jīng)元 j和輸入樣本第 i個分量的連接權(quán) 。 f ( α ) α 0 1 匹配網(wǎng)輸出函數(shù) f(?)： 漢明網(wǎng)算法步驟： 第一步：設(shè)置權(quán)值和神經(jīng)元閾值。 匹配網(wǎng)上層每個神經(jīng)元的輸出： )(1????nijiijj xwfs ?2jiij xw ?：輸入樣本第 i個分量與匹配網(wǎng)上層第 j個神經(jīng)元 的連接權(quán)； 2nj ??：第 j個神經(jīng)元的閾值。 輸入樣本與典 型樣本越相似： 漢明距離越小，匹配度越大。 工作原理： * 每個模式類由一個典型樣本代表； * 匹配網(wǎng)計算
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1