20030307-hejianhua-神经网络讲义-part6-自组织网络.ppt

该【20030307-hejianhua-神经网络讲义-part6-自组织网络 】是由【落意心冢】上传分享，文档一共【42】页，该文档可以免费在线阅读，需要了解更多关于【20030307-hejianhua-神经网络讲义-part6-自组织网络 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。20030307-hejianhua-神经网络讲义-part6-自组织网络在实际的神经网络中,比如人的视网膜中,存在着一种“侧抑制”现象,即一个神经细胞兴奋后,通过它的分支会对周围其他神经细胞产生抑制。自组织竞争人工神经网络正是基于上述生物结构和现象形成的。它能够对输入模式进行自组织训练和判断,并将其最终分为不同的类型。与BP网络相比,这种自组织自适应的学****能力进一步拓宽了人工神经网络在模式识别、分类方面的应用,另一方面,竞争学****网络的核心——竞争层,又是许多种其他神经网络模型的重要组成部分。()提出了两种类型的神经元模型:内星与外星,用以来解释人类及动物的学****现象。内星可以被训练来识别矢量;外星可以被训练来产生矢量。。它们之所以被称为内星和外星,主要是因为其网络的结构像星形,且内星的信号流向星的内部;而外星的信号流向星的外部。。可以通过内星及其学****规则来训练某一神经元节点只响应特定的输入矢量P,它是借助于调节网络权矢量W近似于输入矢量P来实现的。单内星中对权值修正的格劳斯贝格内星学****规则为:()由()式可见,内星神经元联接强度的变化Δw1j是与输出成正比的。如果内星输出a被某一外部方式而维护高值时,那么通过不断反复地学****权值将能够逐渐趋近于输入矢量pj的值,并趋使Δw1j逐渐减少,直至最终达到w1j=pj,从而使内星权矢量学****了输入矢量P,达到了用内星来识别一个矢量的目的。另一方面,如果内星输出保持为低值时,网络权矢量被学****的可能性较小,甚至不能被学****现在来考虑当不同的输入矢量p1和p2分别出现在同一内星时的情况。首先,为了训练的需要,必须将每一输入矢量都进行单位归一化处理。当第一个矢量p1输入给内星后,网络经过训练,最终达到W=(p1)T。此后,给内星输入另一个输入矢量p2,此时内星的加权输入和为新矢量p2与已学****过矢量p1的点积,即:因为输入矢量的模已被单位化为1,所以内星的加权输入和等于输入矢量p1和p2之间夹角的余弦。根据不同的情况,内星的加权输入和可分为如下几种情况:1)p2等于p1,即有θ12=0,此时,内星加权输入和为1; 2)p2不等于p1,内星加权输入和为0; 3)当p2=-p1,即θ12=180°时,内星加权输入和达到最小值-1。由此可见,对于一个已训练过的内星网络,当输入端再次出现该学****过的输入矢量时,内星产生1的加权输入和;而与学****过的矢量不相同的输入出现时,所产生的加权输入和总是小于1。当多个相似输入矢量输入内星,最终的训练结果是使网络的权矢量趋向于相似输入矢量的平均值。内星网络中的相似度是由偏差b来控制,由设计者在训练前选定,典型的相似度值为b=-,这意味着输入矢量与权矢量之间的夹角小于18°48’。若选b=-,则其夹角扩大为25°48’。一层具有s个神经元的内星,可以用相似的方式进行训练,权值修正公式为::dW=1earnis(W,P,A,lr);W=W十dW;在MATLAB工具箱中,,一般通过先寻找输出为1的行矢量i,然后仅对与i相连的权矩阵进行修正。使用方法如下:i=find(A==1);dW=learnk(W,P,i,1r);W=W十dW;一般情况下科荷伦学****规则比内星学****规则能够提高训练速度1到2个数量级。