淘豆网
1/37
0/100
您的浏览器不支持进度条
更多>>该用户其他文档
下载所得到的文件列表
人工神经网络及其应用之自组织网络.ppt
文档介绍:
人工神经网络及其应用 第6讲 自组织网络一、自组织神经网络二、自组织竞争网络三、科荷伦网络四、自适应共振网络五、内容小结六、考试事宜内容安排2019/12/1421.1自组织网络特点1.2网络类型1.3网络学习规则一、自组织神经网络2019/12/1431.1自组织网络特点特点自组织神经网络可以自动向环境学习,不需要教师指导;而前面所讲到的前向网络、反馈网络均需要教师指导学习与BP网络相比,这种自组织自适应的学习能力进一步拓宽了人工神经网络在模式识别、分类方面的应用思想基础生物的神经网络中,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借鉴上述思想,自组织网络能够对输入模式进行自组织训练和判断,并将输入模式分为不同的类型2019/12/1441.2网络类型需要训练自组织竞争网络适用与具有典型聚类特性的大量数据的辨识Kohunen网络训练学习后使网络权值分布与输入样本概率密度分布相似可以作为样本特征检测仪,在样本排序、样本分类及样本检测方面有广泛应用对传网络(work)在功能上用作统计最优化和概率密度函数分析可用于图像处理和统计分析神经认知机等不需要训练自适应共振理论(ART)分类的类型数目可自适应增加2019/12/1451.3网络学习规则格劳斯贝格(S.Grossberg)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习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基本学习规则内星学习规则外星学习规则科荷伦学习规则2019/12/1461.3.1内星与外星外星通过联接权矢量向外输出一组信号A内星通过联接权矢量W接受一组输入信号P2019/12/1471.3.2内星学习规则可以通过内星及其学习规则可训练某一神经元节点只响应特定的输入矢量P,它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习规则为内星神经元联接强度的变化Δw1j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,通过不断反复地学习,趋使Δw1j逐渐减少,直至最终达到w1j=pj,从而使内星权矢量学习了输入矢量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,网络权矢量被学习的可能性较小,甚至不能被学习2019/12/1481.3.3外星学习规则外星网络的激活函数是线性函数。它被用来学习回忆一个矢量,其网络输入P也可以是另一个神经元模型的输出外星被训练来在一层s个线性神经元的输出端产生一个特别的矢量A对于一个外星,其学习规则为与内星不同,外星联接强度的变化Δw是与输入矢量P成正比的当输入矢量被保持高值,比如接近1时,每个权值wij将趋于输出ai值,若pj=1,则外星使权值产生输出矢量当输入矢量pj为0时,网络权值得不到任何学习与修正2019/12/1491.3.3外星学习规则当有r个外星相并联,每个外星与s个线性神经元相连组成一层外星时,其权值修正方式为W=s×r权值列矢量lr=学习速率A=s×q外星输出P=r×q外星输入2019/12/1410 内容来自淘豆网www.taodocs.com转载请标明出处.