人工神经网络自组织竞争人工神经网络课件.ppt

人工神经网络自组织竞争人工神经网络
在实际 神经网络中, 比如人 视网膜中, 存在着一个“侧抑制”现象, 即一个神经细胞兴奋后, 经过它 分支会对周围其她神经细胞产生抑制。
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 。它能够对输入模式进行自组织训练和判定, 并将其最终分为不一样 类型。
与BP网络相比, 这种自组织自适应 学****能力深入拓宽了人工神经网络在模式识别、分类方面 应用, 其次, 竞争学****网络 关键——竞争层, 又是很多个其她神经网络模型 关键组成部分。
计算机科学与工程学院
8．1多个联想学****规则
格劳斯贝格(S．Grossberg)提出了两种类型 神经元模型: 内星与外星, 用以来解释人类及动物 学****现象。
内星能够被训练来识别矢量;
外星能够被训练来产生矢量。
计算机科学与工程学院
格劳斯贝格内星模型图
内星是经过联接权矢量W接收一组输入信号P
计算机科学与工程学院
图8．2 格劳斯贝格外星模型图
外星则是经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, 关键是因为其网络 结构像星形, 且内星 信号流向星 内部; 而外星 信号流向星 外部。
计算机科学与工程学院
8．1．1内星学****规则
实现内星输入／输出转换 激活函数是硬限制函数。
能够经过内星及其学****规则来训练某一神经元节点只响应特定 输入矢量P, 它是借助于调整网络权矢量W近似于输入矢量P来实现 。
单内星中对权值修正 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 改变Δw1j是与输出成正比 。假如内星输出a被某一外部方法维护高值时, 那么经过不停反复地学****权值将能够逐步趋近于输入矢量pj 值, 并趋使Δw1j逐步降低, 直至最终达成w1j＝pj, 从而使内星权矢量学****了输入矢量P, 达成了用内星来识别一个矢量 目 。其次, 假如内星输出保持为低值时, 网络权矢量被学****可能性较小, 甚至不能被学****br/>计算机科学与工程学院
现在来考虑当不一样 输入矢量p1和p2分别出现在同一内星时 情况。
首先, 为了训练 需要, 必需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, 最终达成W＝(p1)T。以后, 给内星输入另一个输入矢量p2, 此时内星 加权输入和为新矢量p2与已学****过矢量p1 点积, 即:
因为输入矢量 模已被单位化为1, 所以内星 加权输入和等于输入矢量p1和p2之间夹角 余弦。
计算机科学与工程学院
依据不一样 情况, 内星 加权输入和可分为以下多个情况:
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, 内星加权输入和达成最小值-1。
由此可见, 对于一个已训练过 内星网络, 当输入端再次出现该学****过 输入矢量时, 内星产生1 加权输入和; 而与学****过 矢量不相同 输入出现时, 所产生 加权输入和总是小于1。
当多个相同输入矢量输入内星, 最终 训练结果是使网络 权矢量趋向于相同输入矢量 平均值。
计算机科学与工程学院
内星网络中 相同度是由偏差b来控制, 由设计者在训练前选定, 经典 相同度值为b＝-, 这意味着输入矢量与权矢量之间 夹角小于18°48’。若选b＝-, 则其夹角扩大为25°48’。
一层含有s个神经元 内星, 能够用相同 方法进行训练, 权值修正公式为:
MATLAB神经网络工具箱中内星学****规则 修正过程:
dW＝1earnis(W, P, A, lr);
W=W十dW;
计算机科学与工程学院
[] 设计内星网络进行以下矢量 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＝;
计算机科学与工程学院