自組特徵映射網路(sofm).pdfVIP

自組特徵映射網路 (SOFM) 自組特徵映射網路 (SOFM) 類神經網路 ，張斐章,張麗秋著 ，東華書局 ，2005 自組特徵映射網路(Self-OrganizingFeature Map,SOFM)於1982年由Kohonen 提出 ，屬於前饋 式 、非監督式神經網路 。 以特徵映射的方式，將任意維度輸入向量 ，映射 至較低維度 (一維或二維的) 特徵映射圖上 依據目前的輸入向量在神經元間彼此相互競爭 ， 優勝的神經元可獲得調整連結權重向量的機會 輸出層的神經元會依據輸入向量的 「特徵」以有 意義的 「拓樸結構」展現在輸出空間中 所產生的拓樸結構圖可反應所有輸入值間分佈關 係，故稱為 「自組特徵映射網路」，而該映射圖 也可稱為拓樸圖(topology) 架構圖與拓樸座標 X [x , x , ,x ]T 輸入層代表輸入變數向量 ： 1 2 N 輸出層的每一神經元 ：wj [wj 1, wj 2 , , wjN ]T 本身對應的連結權重也隱含著網路的拓樸座標 連結權重的初始值/ 競爭式學習 所有神經元連結權重的初始值可以隨機亂數 產生 一般是在輸入範圍的中心位置給予一很小的隨機亂 數 ，如此網路在形成階段有較快的收斂速度 各神經元間以競爭式學習法則 來決定被調整的神 經元 ： 優勝神經元為與該輸入向量最近似的神經元 ，進而 調整該神經元的連結權重 決定優勝神經元的方式 ：比較所有神經元的連結權重 與輸入向量間的相似度(or 距離) ，並選取相似度最大 (or 距離最近) 的神經元為優勝神經元 每一筆輸入向量所對應的優勝神經元都不盡相同 ，因 此每個神經元被調整的次數及時機也不一定相同或有 規則可循 ，完全端視輸入向量間的分佈關係 ，此種學 習過程與聚類分析過程極為相似 鄰近關係 在SOM網路的學習過程中 ，神經元間有鄰近關係 ，當優 勝神經元進行連結權重調整時 ，也會將訊息傳遞給鄰近的 神經元 ，以讓鄰近的神經元也可隨著進行連結權重調整， 如此有助於網路神經元間的拓樸映射關係。 神經元間的鄰近關係參數有 ： 鄰近區域 、鄰近中心、 鄰近半徑、鄰近距離 。 鄰近半徑與鄰近區域 鄰近中心 、鄰近函數 、學習規則 鄰近中心 ：優勝神經元為鄰近中心，以該神經元 為調整的中心點，修正鄰近區域內所有的神經元 優勝神經元選取方式： h q(X ) arg max sim(X , j ) arg max x w or q(X ) arg min X w i ij j 2 j j i 1 j 2  exp(r r R 2 ) 鄰近函數 ： qj j q  = 第j 個神經元與優勝神經元q 之鄰近關係值 qj r 和r = 分別為優勝神經元和第j 個神經元的拓樸座標 q j R = 鄰近半徑 學習規則：w (k )(k )[x (k ) w (k )] j qj j