hejianhua-神經(jīng)網(wǎng)絡(luò)講義-part6-自組織網(wǎng)絡(luò)-展示頁
2025-06-06 01:20本頁面
【正文】 矢量的模已被單位化為 1，所以內(nèi)星的加權(quán)輸入和等于輸入矢量 p1和 p2之間夾角的余弦。 首先，為了訓(xùn)練的需要，必須將每一輸入矢量都進(jìn)行單位歸一化處理。另一方面，如果內(nèi)星輸出保持為低值時(shí)，網(wǎng)絡(luò)權(quán)矢量被學(xué)習(xí)的可能性較小，甚至不能被學(xué)習(xí)。 單內(nèi)星中對(duì)權(quán)值修正的格勞斯貝格內(nèi)星學(xué)習(xí)規(guī)則為： (8． 1) 由 (8． 1)式可見，內(nèi)星神經(jīng)元聯(lián)接強(qiáng)度的變化 Δw1j是與輸出成正比的。 8． 1． 1內(nèi)星學(xué)習(xí)規(guī)則 實(shí)現(xiàn)內(nèi)星輸入／輸出轉(zhuǎn)換的激活函數(shù)是硬限制函數(shù)。 圖 格勞斯貝格內(nèi)星模型圖 內(nèi)星是通過聯(lián)接權(quán)矢量 W接受一組輸入信號(hào) P 圖 8． 2 格勞斯貝格外星模型圖 外星則是通過聯(lián)接權(quán)矢量向外輸出一組信號(hào) A。 8． 1幾種聯(lián)想學(xué)習(xí)規(guī)則 格勞斯貝格 (S． Grossberg)提出了兩種類型的神經(jīng)元模型：內(nèi)星與外星，用以來解釋人類及動(dòng)物的學(xué)習(xí)現(xiàn)象。它能夠?qū)斎肽Ｊ竭M(jìn)行自組織訓(xùn)練和判斷，并將其最終分為不同的類型。人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 第 6講 自組織網(wǎng)絡(luò) 何建華 電信系，華中科技大學(xué) 2022年 3月 7日 在實(shí)際的神經(jīng)網(wǎng)絡(luò)中，比如人的視網(wǎng)膜中，存在著一種“側(cè)抑制”現(xiàn)象，即一個(gè)神經(jīng)細(xì)胞興奮后，通過它的分支會(huì)對(duì)周圍其他神經(jīng)細(xì)胞產(chǎn)生抑制。 自組織競爭人工神經(jīng)網(wǎng)絡(luò)正是基于上述生物結(jié)構(gòu)和現(xiàn)象形成的。 與 BP網(wǎng)絡(luò)相比，這種自組織自適應(yīng)的學(xué)習(xí)能力進(jìn)一步拓寬了人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、分類方面的應(yīng)用，另一方面，競爭學(xué)習(xí)網(wǎng)絡(luò)的核心 —— 競爭層，又是許多種其他神經(jīng)網(wǎng)絡(luò)模型的重要組成部分。 內(nèi)星可以被訓(xùn)練來識(shí)別矢量； 外星可以被訓(xùn)練來產(chǎn)生矢量。 它們之所以被稱為內(nèi)星和外星，主要是因?yàn)槠渚W(wǎng)絡(luò)的結(jié)構(gòu)像星形，且內(nèi)星的信號(hào)流向星的內(nèi)部；而外星的信號(hào)流向星的外部。 可以通過內(nèi)星及其學(xué)習(xí)規(guī)則來訓(xùn)練某一神經(jīng)元節(jié)點(diǎn)只響應(yīng)特定的輸入矢量 P， 它是借助于調(diào)節(jié)網(wǎng)絡(luò)權(quán)矢量 W近似于輸入矢量 P來實(shí)現(xiàn)的。如果內(nèi)星輸出 a被某一外部方式而維護(hù)高值時(shí)，那么通過不斷反復(fù)地學(xué)習(xí)，權(quán)值將能夠逐漸趨近于輸入矢量 pj的值，并趨使 Δw1j逐漸減少，直至最終達(dá)到 w1j＝ pj， 從而使內(nèi)星權(quán)矢量學(xué)習(xí)了輸入矢量 P， 達(dá)到了用內(nèi)星來識(shí)別一個(gè)矢量的目的。 現(xiàn)在來考慮當(dāng)不同的輸入矢量 p1和 p2分別出現(xiàn)在同一內(nèi)星時(shí)的情況。 當(dāng)?shù)谝粋€(gè)矢量 p1輸入給內(nèi)星后，網(wǎng)絡(luò)經(jīng)過訓(xùn)練，最終達(dá)到W＝ (p1)T。 根據(jù)不同的情況，內(nèi)星的加權(quán)輸入和可分為如下幾種情況： 1) p2等于 p1， 即有 θ12＝ 0， 此時(shí) ， 內(nèi)星加權(quán)輸入和為 1； 2) p2不等于 p1， 內(nèi)星加權(quán)輸入和為 0； 3)當(dāng) p2＝ p1， 即 θ12＝ 180176。 由此可見，對(duì)于一個(gè)已訓(xùn)練過的內(nèi)星網(wǎng)絡(luò)，當(dāng)輸入端再次出現(xiàn)該學(xué)習(xí)過的輸入矢量時(shí)，內(nèi)星產(chǎn)生 1的加權(quán)輸入和；而與學(xué)習(xí)過的矢量不相同的輸入出現(xiàn)時(shí)，所產(chǎn)生的加權(quán)輸入和總是小于 1。 內(nèi)星網(wǎng)絡(luò)中的相似度是由偏差 b來控制，由設(shè)計(jì)者在訓(xùn)練前選定，典型的相似度值為 b＝ ，這意味著輸入矢量與權(quán)矢量之間的夾角小于18176。若選 b＝ ，則其夾角擴(kuò)大為25176。 一層具有 s個(gè)神經(jīng)元的內(nèi)星，可以用相似的方式進(jìn)行訓(xùn)練，權(quán)值修正公式為： MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中內(nèi)星學(xué)習(xí)規(guī)則的執(zhí)行是用函數(shù) ： dW＝ 1earnis(W， P， A， lr)； W=W十 dW； [例 ] 設(shè)計(jì)內(nèi)星網(wǎng)絡(luò)進(jìn)行以下矢量的分類辨識(shí)： 我們首先對(duì)網(wǎng)絡(luò)進(jìn)行初始化處理： [R， Q]＝ size(P)； [S， Q]＝ size(T)； W＝ zeros(S， R)； B＝ * ones(S， 1)； max
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號(hào)-1