人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用 第4章 自組織神經(jīng)網(wǎng)絡(luò)2

《人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用 第4章 自組織神經(jīng)網(wǎng)絡(luò)2》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、4.4對偶傳播神經(jīng)網(wǎng)絡(luò)1987年，美國學(xué)者RobertHecht-Nielsen提出對偶傳播神經(jīng)網(wǎng)絡(luò)模型(Counter-PropagationNetwork，縮寫為CPN)對偶傳播網(wǎng)絡(luò)4.4.1網(wǎng)絡(luò)結(jié)構(gòu)與運(yùn)行原理X＝(x1,x2,…,xn)TY＝(y1,y2,…,ym)T，yi∈{0,1}，i=1,2,…,mO＝(o1,o2,…,ol)Td＝(d1,d2,…,dl)TV=(V1,V2,…,Vj,…,Vm)W=(W1,W2,…,Wk,…,Wl)對偶傳播神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)各層的數(shù)學(xué)描述如下：對偶傳播神經(jīng)網(wǎng)絡(luò)CPN網(wǎng)運(yùn)行過程4.4.2CPN的學(xué)習(xí)算法第一階段用競爭學(xué)習(xí)算法對輸入層至隱

2、層的內(nèi)星權(quán)向量進(jìn)行訓(xùn)練，步驟如下：(1)將所有內(nèi)星權(quán)隨機(jī)地賦以0～1之間的初始值，并歸一化為單位長度，訓(xùn)練集內(nèi)的所有輸入模式也要進(jìn)行歸一化。(2)輸入一個(gè)模式Xp，計(jì)算凈輸入netj=，j=1,2,…,m。(3)確定競爭獲勝神經(jīng)元。(4)CPN網(wǎng)絡(luò)的競爭算法不設(shè)優(yōu)勝鄰域，因此只調(diào)整獲勝神經(jīng)元的內(nèi)星權(quán)向量，調(diào)整規(guī)則為(5)重復(fù)步驟(2)至步驟(4)直到下降至0。需要注意的是，權(quán)向量經(jīng)過調(diào)整后必須重新作歸一化處理。對偶傳播神經(jīng)網(wǎng)絡(luò)4.4.2CPN的學(xué)習(xí)算法第二階段采用外星學(xué)習(xí)算法對隱層至輸出層的外星權(quán)向量進(jìn)行訓(xùn)練，步驟如下：(1)輸入一個(gè)模式對Xp,dp，計(jì)算凈輸入netj=，

3、j=1,2,…,m，(2)確定競爭獲勝神經(jīng)元，使(4.17)(3)調(diào)整隱層到輸出層的外星權(quán)向量，調(diào)整規(guī)則為(4.18)ok由下式計(jì)算(4.19)(4.20)對偶傳播神經(jīng)網(wǎng)絡(luò)4.4.2CPN的學(xué)習(xí)算法(4.18)(4.20)外星權(quán)向量調(diào)整規(guī)則:(4.21)(4)重復(fù)步驟(1)至步驟(3)直到下降至0。對偶傳播神經(jīng)網(wǎng)絡(luò)4.4.3對偶傳播神經(jīng)網(wǎng)絡(luò)4.4.3.1雙獲勝節(jié)點(diǎn)CPN網(wǎng)4.4.3.2雙向CPN網(wǎng)Y=f(X)X’=f(Y’)當(dāng)向網(wǎng)絡(luò)輸入(X,0)時(shí)，網(wǎng)絡(luò)輸出為(Y,0)；當(dāng)向網(wǎng)絡(luò)輸入(0,Y’‘)時(shí)，網(wǎng)絡(luò)輸出為(0,X’)，當(dāng)向網(wǎng)絡(luò)輸入(X,Y’)時(shí)，網(wǎng)絡(luò)輸出為(Y,X’)

4、。4.4.4CPN網(wǎng)絡(luò)的應(yīng)用