2021年人工神经网络自组织竞争人工神经网络.ppt

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。
2020/12/6
人工神经网络自组织竞争人工神经网络
1
8．1几种联想学****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****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。
2020/12/6
人工神经网络自组织竞争人工神经网络
2
格劳斯贝格内星模型图
内星是通过联接权矢量W接受一组输入信号P
2020/12/6
人工神经网络自组织竞争人工神经网络
3
图8．2 格劳斯贝格外星模型图
外星则是通过联接权矢量向外输出一组信号A。
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。
2020/12/6
人工神经网络自组织竞争人工神经网络
4
8．1．1内星学****规则
实现内星输入／输出转换的激活函数是硬限制函数。
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：
(8．1)
由(8．1)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****br/>2020/12/6
人工神经网络自组织竞争人工神经网络
5
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。
2020/12/6
人工神经网络自组织竞争人工神经网络
6
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。
2020/12/6
人工神经网络自组织竞争人工神经网络
7
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；
2020/12/6
人工神经网络自组织竞争人工神经网络
8
[] 设计内星网络进行以下矢量的分类辨识：
初始化处理：
[R，Q]＝size(P)；
[S，Q]＝size(T)；
W＝zeros(S，R)；
B＝-* ones(S，1)；
max-epoch＝10；
lr＝；
2020/12/6
人工神经网络自组织竞争人工神经网络
9
8．1．2外星学****规则
外星网络的激活函数是线性函数，它被用来学****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。
外星被训练用来在一层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****规则为：
与内星