hejianhua-神經(jīng)網(wǎng)絡(luò)講義-part6-自組織網(wǎng)絡(luò)-文庫吧資料
2025-06-03 01:20本頁面
【正文】 到科荷倫自組織映射網(wǎng)絡(luò)中，一開始時(shí)輸入樣本引起輸出興奮的位置各不相同，但通過網(wǎng)絡(luò)自組織后會(huì)形成一些輸出群，它們分別代表了輸入樣本的分布，反映了輸入樣本的圖形分布特征，所以科荷倫網(wǎng)絡(luò)常常被稱為特性圖。它是由多個(gè)細(xì)胞聚合而成的，在接受外界刺激后，它們會(huì)自動(dòng)形成。 競(jìng)爭(zhēng)學(xué)習(xí)網(wǎng)絡(luò)的局限性： 競(jìng)爭(zhēng)網(wǎng)絡(luò)適用于當(dāng)具有典型聚類特性的大量數(shù)據(jù)的辨識(shí)，但當(dāng)遇到大量的具有概率分布的輸入矢量時(shí)，競(jìng)爭(zhēng)網(wǎng)絡(luò)就無能為力了，這時(shí)可以采用科荷倫網(wǎng)絡(luò)來解決。 競(jìng)爭(zhēng)網(wǎng)絡(luò)的權(quán)值要進(jìn)行隨機(jī)歸一化的初始化處理 ， 這個(gè)過程在 MATLAB中用函數(shù) ： w＝ randnr(S， R)； 然后網(wǎng)絡(luò)則可以進(jìn)入競(jìng)爭(zhēng)以及權(quán)值的調(diào)整階段。 另外還要事先確定的參數(shù)有：學(xué)習(xí)速率和最大循環(huán)次數(shù)。 這樣，當(dāng)達(dá)到最大循環(huán)的值后，網(wǎng)絡(luò)已重復(fù)多次訓(xùn)練了 P中的所有矢量，訓(xùn)練結(jié)束后，對(duì)于用于訓(xùn)練的模式 P， 其網(wǎng)絡(luò)輸出矢量中，其值為 1的代表一種類型，而每類的典型模式值由該輸出節(jié)點(diǎn)與輸入節(jié)點(diǎn)相連的權(quán)矢量表示。從而競(jìng)爭(zhēng)網(wǎng)絡(luò)通過學(xué)習(xí)而識(shí)別了在網(wǎng)絡(luò)輸入端所出現(xiàn)的矢量，并將其分為某一類。 競(jìng)爭(zhēng)網(wǎng)絡(luò)修正權(quán)值的公式為： 式中 lr為學(xué)習(xí)速率，且 0＜ lr＜ 1， 一般的取值范圍為； pj為經(jīng)過歸一化處理后的輸入。 競(jìng)爭(zhēng)網(wǎng)絡(luò)的輸出為： 在判斷競(jìng)爭(zhēng)網(wǎng)絡(luò)節(jié)點(diǎn)勝負(fù)的結(jié)果時(shí)，可直接采用 ni， 即： 取偏差 B為零是判定競(jìng)爭(zhēng)網(wǎng)絡(luò)獲勝節(jié)點(diǎn)時(shí)的典型情況，偶而也采用下式進(jìn)行競(jìng)爭(zhēng)結(jié)果的判定： 通過上面分析，可以將競(jìng)爭(zhēng)網(wǎng)絡(luò)的工作原理總結(jié)如下：競(jìng)爭(zhēng)網(wǎng)絡(luò)的激活函數(shù)使加權(quán)輸入和為最大的節(jié)點(diǎn)贏得輸出為 1，而其他神經(jīng)元的輸出皆為 0。 由于競(jìng)爭(zhēng)網(wǎng)絡(luò)中含有兩種權(quán)值，所以其激活函數(shù)的加權(quán)輸入和也分為兩部分：來自輸入節(jié)點(diǎn)的加權(quán)輸入和 N與來自競(jìng)爭(zhēng)層內(nèi)互相抑制的加權(quán)輸入和 G。 它們是一種對(duì)稱權(quán)值，即有 wik＝ wki， 同時(shí)相同神經(jīng)元之間的權(quán)值起加強(qiáng)的作用，即滿足 w11＝w11＝ … ＝ wkk＞ 0， 而不同神經(jīng)元之間的權(quán)值相互抑制，對(duì)于 k≠i有 wij＜ 0。 從網(wǎng)絡(luò)的結(jié)構(gòu)圖中可以看出，自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)的權(quán)值有兩類： 一類是輸入節(jié)點(diǎn) j到 i的權(quán)值 wij(i＝ 1， 2… 、 s； j＝ 1，2… 、 r)， 這些權(quán)值是通過訓(xùn)練可以被調(diào)整的； 另一類是競(jìng)爭(zhēng)層中互相抑制的權(quán)值 wik(k＝ 1， 2… 、s)。 8． 2自組織競(jìng)爭(zhēng)網(wǎng)絡(luò) 8． 2． 1網(wǎng)絡(luò)結(jié)構(gòu) 競(jìng)爭(zhēng)網(wǎng)絡(luò)由單層神經(jīng)元網(wǎng)絡(luò)組成，其輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間為全互聯(lián)結(jié)。 在 MATLAB工具箱中，在調(diào)用科荷倫學(xué)習(xí)規(guī)則函數(shù)，一般通過先尋找輸出為 1的行矢量 i， 然后僅對(duì)與 i相連的權(quán)矩陣進(jìn)行修正。 P＝ [1 0]； T＝ [ ； ； ； ]； 8． 1． 3科荷倫學(xué)習(xí)規(guī)則 科荷倫學(xué)習(xí)規(guī)則是由內(nèi)星規(guī)則發(fā)展而來的。 當(dāng)有 r個(gè)外星相并聯(lián)，每個(gè)外星與 s個(gè)線性神經(jīng)元相連組成一層外星時(shí)，其權(quán)值修正方式為： 其中： W＝ s r權(quán)值列矢量； lr＝ 學(xué)習(xí)速率； A＝ s q外星輸出； P＝ r q外星輸入。這意味著當(dāng)輸入矢量被保持高值，比如接近 1時(shí)，每個(gè)權(quán)值 wij將趨于輸出 ai值，若 pj＝ 1， 則外星使權(quán)值產(chǎn)生輸出矢量。 外星被訓(xùn)練來在一層 s個(gè)線性神經(jīng)元的輸出端產(chǎn)生一個(gè)特別的矢量 A。 48’。 48’。 當(dāng)多個(gè)相似輸入矢量輸入內(nèi)星，最終的訓(xùn)練結(jié)果是使網(wǎng)絡(luò)的權(quán)矢量趨向于相似輸入矢量的平均值。 時(shí)，內(nèi)星加權(quán)輸入和達(dá)到最小值 1。 此后，給內(nèi)星輸入另一個(gè)輸入矢量 p2， 此時(shí)內(nèi)星的加權(quán)輸入和為新矢量 p2與已學(xué)習(xí)過矢量 p1的點(diǎn)積，即： 因?yàn)檩斎?
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號(hào)-1