som自組織映射學習匯報(參考版)
2025-03-11 22:18本頁面
【正文】 2023年 3月 28日星期二 12時 39分 5秒 12:39:0528 March 2023 1一個人即使已登上頂峰，也仍要自強不息。 2023年 3月 28日星期二 下午 12時 39分 5秒 12:39: 1最具挑戰(zhàn)性的挑戰(zhàn)莫過于提升自我。勝人者有力，自勝者強。 :39:0512:39Mar2328Mar23 1越是無能的人，越喜歡挑剔別人的錯兒。 , March 28, 2023 閱讀一切好書如同和過去最杰出的人談話。 2023年 3月 28日星期二 12時 39分 5秒 12:39:0528 March 2023 1空山新雨后，天氣晚來秋。 2023年 3月 28日星期二 下午 12時 39分 5秒 12:39: 1楚塞三湘接，荊門九派通。 12:39:0512:39:0512:39Tuesday, March 28, 2023 1不知香積寺，數(shù)里入云峰。 12:39:0512:39:0512:393/28/2023 12:39:05 PM 1成功就是日復一日那一點點小小努力的積累。 下午 12時 39分 5秒 下午 12時 39分 12:39: 沒有失敗，只有暫時停止成功！。 2023年 3月 下午 12時 39分 :39March 28, 2023 1行動出成果，工作出財富。 :39:0512:39:05March 28, 2023 1他鄉(xiāng)生白發(fā)，舊國見青山。 :39:0512:39Mar2328Mar23 1故人江海別，幾度隔山川。 , March 28, 2023 雨中黃葉樹，燈下白頭人。 ? SOM算法的實現(xiàn)。 ?我學到了什么 ?我下一步要做什么 ?自組織神經(jīng)網(wǎng)絡(luò) ? SOM ? An Improved Neural Architecture for Gaze Movement Control in Target Searching ? An Improved Neural Architecture for Gaze Movement Control in Target Searching詳細解讀。然而，這些大反應(yīng)神經(jīng)元可能產(chǎn)生不同的運動估計量的分組。 論文在第三層和第四層之間增加了一個新的Movement Coding Neuron,以便更好地實現(xiàn) gaze motion estimation and control。 ：高維空間的向量經(jīng)過特征抽取后可以在低維特征空間更加清晰地表達。 ：將高維空間的樣本在保持拓撲結(jié)構(gòu)不變的條件下投影到低維空間。 SOM實質(zhì)上是從任意維離散或者連續(xù)空間 V到一維或者二維離散空間 A的一種保序映射。 性質(zhì)：輸入空間的近似 對于 V空間中的向量 v，首先根據(jù)特征映射 Φ 確定在輸出空間 A中最佳的匹配單元 S， S的權(quán)重向量 Ws可視為 S投影到輸入空間的坐標。 其次，可以考慮神經(jīng)元的權(quán)值作為輸入空間的指針，形成了一個訓練樣本分布的離散近似值。因此， SOM形成了一個使相同樣本靠近，不同樣本分離的語義映射。 解釋：可以用兩種方式來解釋 SOM算法。 h（ j,j*）為鄰域函數(shù)，隨著學習程度逐漸減小。 Ni(d)={j,dij=d} 1 2 5 4 3 6 7 10 9 8 11 12 15 14 13 16 17 20 19 18 21 22 25 24 23 N13(1) ={8， 12， 13， 14， 18} N13(2) ={3， 7， 8， 9， 11， 12， 13， 14， 15， 17， 18， 19， 23} SOM算法步驟 調(diào)整權(quán)值 勝出神經(jīng)元和位于其鄰接的神經(jīng)元的權(quán)值通過下式調(diào)整。 計算并選擇使輸入向量和權(quán)值向量距離最小的神經(jīng)元，把其稱為勝出神經(jīng)元，標記為 j*，并給出鄰接神經(jīng)元集合。 SOM算法步驟 計算映射層的權(quán)值向量和輸入向量的距離。設(shè)定學習次數(shù)T，相關(guān)鄰域 Ni(d)。 所做的調(diào)節(jié)使獲勝神經(jīng)元對以后相似輸入模式的響應(yīng)增強了。 。獲勝神經(jīng)元的的相鄰神經(jīng)元的是合作的基礎(chǔ)。這個判別函數(shù)對神經(jīng)元之間的競爭提供基礎(chǔ)， 具有判別函數(shù)最優(yōu)值（在歐式距離中是最小值）的特定神經(jīng) 元成為競爭的勝利者。 。此外，網(wǎng)絡(luò)通過對輸入模式 的反復學習，可以使連接權(quán)值空間分布密度與輸入模式的概 率分布趨于一致，即鏈接權(quán)向量空間分布能反應(yīng)輸入模式的 統(tǒng)計特征。它的 大小控制著神經(jīng)元之間交互作用的強弱。 當某類數(shù)據(jù)模式輸入時，對某以輸出節(jié)點產(chǎn)生最大刺 激（獲勝神經(jīng)元），同時對獲勝神經(jīng)元節(jié)點周圍的一些節(jié) 點產(chǎn)生較大的刺激。 SOM的算法思想： 某個輸出節(jié)點能對某一類模式做出特別的反應(yīng)以代表 該模式類。 d2= 1∠100 176。 W2(2)=W2(1)=1∠ 180 176。 , d2=||X2W2(1)||=1∠100 176。 W2(1)=W2(0)=1∠ 180 176。 , d2=||X1W2(0)||=1∠ 176。 。當網(wǎng)絡(luò)得到一個輸入模式向量時，競爭層的所有神經(jīng)元對應(yīng)的權(quán)向量均與其進行相似性比較，并將最相似的內(nèi)權(quán)向量判為競爭獲勝神經(jīng)元。首先將當前輸入模式向量 X和競爭層中各神經(jīng)元對應(yīng)的向量 Wj 全部進行歸一化處理。這個被激活的神經(jīng)元稱為競爭獲勝神經(jīng)元，而其它神經(jīng)元的狀態(tài)被抑制，稱為WTA（ WinnerTakeAll）。 競爭層 輸入層 Wj權(quán)值 不同的輸入歸結(jié)到1個神經(jīng)元上，幾個輸入就是一類，實現(xiàn)了分類。 競爭型神經(jīng)網(wǎng)絡(luò)的基本思想是網(wǎng)絡(luò)競爭層的各神經(jīng) 元通過競爭來獲取對輸入模式的響應(yīng)機會。九逸作品 匯報人： ?我學到了什么 ?我下一步要做什么 ?自組織神經(jīng)網(wǎng)絡(luò) ? SOM ?An Improved Neural Architecture for Gaze Movement Control in Target Searching 自組織神經(jīng)網(wǎng)絡(luò) 自組織神經(jīng)網(wǎng)絡(luò)是一類無教師學習方式的神經(jīng)網(wǎng)絡(luò) 模型，它無需期望輸出，知識根據(jù)數(shù)據(jù)樣本進行學習， 并調(diào)整自身權(quán)重以達到學習的目的。自組織神經(jīng)網(wǎng)絡(luò)的 學習規(guī)則大都采用競爭型的學習規(guī)則。競爭結(jié)果會 存在獲勝神經(jīng)元，獲勝神經(jīng)元有關(guān)的各連接權(quán)值向著更 有利于其競爭的方向發(fā)展。 競爭學習： 網(wǎng)絡(luò)的輸出神經(jīng)元之間相互競爭以求被激活，結(jié)果在每一時刻只有一個輸出神經(jīng)元被激活。 學習規(guī)則： 。 。 。 用競爭學習算法將下列各模式分為 2類： 輸
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1