自組織神經(jīng)網(wǎng)絡(luò).ppt

《自組織神經(jīng)網(wǎng)絡(luò).ppt》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(kù)。

1、2.6自組織神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法概述自組織神經(jīng)網(wǎng)絡(luò)，又稱為自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò),特別適合于解決模式分類和識(shí)別方面的應(yīng)用問(wèn)題。自組織神經(jīng)網(wǎng)絡(luò)屬于前向神經(jīng)網(wǎng)絡(luò)類型，采用無(wú)導(dǎo)師學(xué)習(xí)算法，自組織特征映射神經(jīng)網(wǎng)絡(luò)不僅能夠像自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)一樣學(xué)習(xí)輸入的分布情況，而且可以學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。概述自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)類型自適應(yīng)共振理論(AdaptiveResonanceTheory，ART)網(wǎng)絡(luò)自組織特征映射(self-OrganizingMap，SOM)網(wǎng)絡(luò)對(duì)傳(CounterPropagation，CP)網(wǎng)絡(luò)協(xié)同神經(jīng)網(wǎng)絡(luò)(SynergeticNeuralNetwork．SNN)2.6.1自組織特征

2、映射神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由芬蘭學(xué)者TeuvoKohonen于1981年提出基本上為輸入層和映射層的雙層結(jié)構(gòu),映射層的神經(jīng)元互相連接，每個(gè)輸出神經(jīng)元連接至所有輸入神經(jīng)元I’mTeuvoKohonen2.6.1自組織特征映射神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)競(jìng)爭(zhēng)層輸入層SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)2.6.1自組織特征映射神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)SOM神經(jīng)網(wǎng)絡(luò)平面示意圖競(jìng)爭(zhēng)層輸入層2.6.1自組織特征映射神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)SOM神經(jīng)網(wǎng)絡(luò)立體示意圖競(jìng)爭(zhēng)層輸入層2.6.2自組織特征映射網(wǎng)絡(luò)的學(xué)習(xí)算法自組織特征映射學(xué)習(xí)算法原理Kohonen自組織特征映射算法，能夠自動(dòng)找出輸入數(shù)據(jù)之間的類似度，將相似的輸入在網(wǎng)絡(luò)上就近配置。因此是一種可以構(gòu)成對(duì)輸入數(shù)據(jù)有選擇地給

3、予響應(yīng)的網(wǎng)絡(luò)。類似度準(zhǔn)則歐氏距離2.6.2自組織特征映射網(wǎng)絡(luò)的學(xué)習(xí)算法自組織特征映射學(xué)習(xí)算法步驟(1)網(wǎng)絡(luò)初始化用隨機(jī)數(shù)設(shè)定輸入層和映射層之間權(quán)值的初始值(2)輸入向量把輸入向量輸入給輸入層(3)計(jì)算映射層的權(quán)值向量和輸入向量的距離映射層的神經(jīng)元和輸入向量的距離，按下式給出2.6.2自組織特征映射網(wǎng)絡(luò)的學(xué)習(xí)算法自組織特征映射學(xué)習(xí)算法步驟(4)選擇與權(quán)值向量的距離最小的神經(jīng)元計(jì)算并選擇使輸入向量和權(quán)值向量的距離最小的神經(jīng)元，把其稱為勝出神經(jīng)元并記為，并給出其鄰接神經(jīng)元集合。(5)調(diào)整權(quán)值勝出神經(jīng)元和位于其鄰接神經(jīng)元的權(quán)值，按下式更新：(6)是否達(dá)到預(yù)先設(shè)定的要求如達(dá)到要求則算法結(jié)束，否則返回(

4、2)，進(jìn)入下一輪學(xué)習(xí)2.6.2自組織特征映射網(wǎng)絡(luò)的學(xué)習(xí)算法鄰域函數(shù)由鄰域函數(shù)可以看到，以獲勝神經(jīng)元為中心設(shè)定了一個(gè)鄰域半徑，稱為勝出鄰域。學(xué)習(xí)初期，勝出神經(jīng)元和其附近的神經(jīng)元全部接近當(dāng)時(shí)的輸入向量，形成粗略的映射。隨著學(xué)習(xí)的進(jìn)行而減小，勝出鄰域變窄，勝出神經(jīng)元附近的神經(jīng)元數(shù)變少。因此，學(xué)習(xí)方法是一種從粗調(diào)整向微調(diào)整變化，最終達(dá)到預(yù)定目標(biāo)的過(guò)程。2.6.3自組織網(wǎng)絡(luò)學(xué)習(xí)算法的MATLAB實(shí)現(xiàn)MATLAB中自組織神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能函數(shù)名功能newsom()創(chuàng)建一個(gè)自組織特征映射神經(jīng)網(wǎng)絡(luò)plotsom()繪制自組織特征映射網(wǎng)絡(luò)的權(quán)值矢量vec2ind()將單值矢量組變換成下標(biāo)矢量comp

5、et()競(jìng)爭(zhēng)傳輸函數(shù)midpoint()中點(diǎn)權(quán)值初始化函數(shù)learnsom()自組織特征映射權(quán)值學(xué)習(xí)規(guī)則函數(shù)2.6.3自組織網(wǎng)絡(luò)學(xué)習(xí)算法的MATLAB實(shí)現(xiàn)MATLAB中自組織神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能newsom()功能創(chuàng)建一個(gè)自組織特征映射網(wǎng)絡(luò)函數(shù)格式net=newsom(PR，[D1，D2，...]，TFCN，DFCN，OLR，OSTEPS，TLR，TND)說(shuō)明net為生成的新BP神經(jīng)網(wǎng)絡(luò)；PR為網(wǎng)絡(luò)輸入矢量取值范圍的矩陣[PminPmax]；[D1，D2，...]為神經(jīng)元在多維空間中排列時(shí)各維的個(gè)數(shù)；TFCN為拓?fù)浜瘮?shù)，缺省值為hextop；DFCN為距離函數(shù)，缺省值為linkdis

6、t；OLR為排列階段學(xué)習(xí)速率，缺省值為0.9；OSTEPS為排列階段學(xué)習(xí)次數(shù)，缺省值為1000；TLR為調(diào)整階段學(xué)習(xí)速率，缺省值為0.02，TND為調(diào)整階段領(lǐng)域半徑，缺省值為1。2.6.3自組織網(wǎng)絡(luò)學(xué)習(xí)算法的MATLAB實(shí)現(xiàn)plotsom()功能繪制自組織特征映射網(wǎng)絡(luò)圖的權(quán)值向量函數(shù)格式(1)plotsom(pos)(2)plotsom(W，D，ND)說(shuō)明式中pos是網(wǎng)絡(luò)中各神經(jīng)元在物理空間分布的位置坐標(biāo)矩陣；函數(shù)返回神經(jīng)元物理分布的拓?fù)鋱D，圖中每?jī)蓚€(gè)間距小于1的神經(jīng)元以直線連接；W為神經(jīng)元權(quán)值矩陣；D為根據(jù)神經(jīng)元位置計(jì)算出的間接矩陣；ND為領(lǐng)域半徑，缺省值為1；函數(shù)返回神經(jīng)元權(quán)值的分布圖，

7、圖中每?jī)蓚€(gè)間距小于ND的神經(jīng)元以直線連接。2.6.3自組織網(wǎng)絡(luò)學(xué)習(xí)算法的MATLAB實(shí)現(xiàn)yec2ind()功能將單值向量組變換成下標(biāo)向量格式ind=vec2ind(vec)說(shuō)明式中，vec為m行n列的向量矩陣x，x中的每個(gè)列向量i，除包含一個(gè)1外，其余元素均為0，ind為n個(gè)元素值為1所在的行下標(biāo)值構(gòu)成的一個(gè)行向量。2.6.3自組織網(wǎng)絡(luò)學(xué)習(xí)算法的MATLAB實(shí)現(xiàn)例2-5人口分類是人口統(tǒng)計(jì)中的一個(gè)重要指標(biāo)，現(xiàn)有