人工神经网络算法解决方案.ppt

6.6 自组织神经网络 网络自组织算法 网络开始训练时，某个输出结点能对某一类模式作出特别的反应，以代表该模式类，但这里规定二维平面上相邻的结点能对实际模式分布中相近的模式类作出特别的反应。 当某类数据模式输入时，对其某一输出结点给予最大的刺激，以指示该类模式的所属区域，而同时对获胜结点周围的一些结点给予较大的刺激。 6.6 自组织神经网络 网络自组织算法 当输入模式从一个模式区域移到相邻的模式区域时，二维平面上的获胜结点也从原来的结点移到其相邻的结点。 因此，从Kohonen网络的输出状况，不但能判断输入模式所属的类别并使输出结点代表某一类模式，还能够得到整个数据区域的大体分布情况，即从样本数据中抓到所有数据分布的大体本质特性。 6.6 自组织神经网络 网络自组织算法 为了能使二维输出平面上相邻的输出结点对相近的输入模式类作出特别反应，在训练过程中需定义获胜结点的邻域结点。 假设本次获胜结点为Nj，它在t时刻的邻域结点用NEj(t)表示，NEj(t)包含以结点Nj为中心而距离不超过某一半径的所有结点。 随着训练的进行， NEj(t)的半径逐渐缩小，最后只包含获胜结点Nj自身，即在训练初始阶段，不但对获胜的结点做权值调整，也对其较大范围内的几何邻接结点做相应的调整，而随着训练过程的继续，与输出结点相连的权向量也越来越接近其代表的模式类。 6.6 自组织神经网络 网络自组织算法 此时，对获胜结点进行较细微的权值调整时，只对其几何邻域接近的结点（包括其自身）进行相应调整，直到最后只对获胜的结点本身做细微的权值调整。 在训练结束后，几何上相近的输出结点所连接的权向量既有联系（类似性）又互相区别，从而保证对于某一类输入模式，获胜结点能做出最大响应，而相邻结点做出较大响应。 几何上相邻的结点代表特征上相近的模式类别。 6.6 自组织神经网络 网络自组织算法 Kohonen网络训练算法 在算法中，η(t)是一种可变学习速度，随时间而衰减，表示随着训练过程的进行，权值调整的幅度越来越小，以使竞争获胜结点所连的权向量代表模式的本质属性。 NEj*(t)也随时间而收缩，最后当t充分大时， NEj*(t)={Nj*}，即只训练获胜结点本身以实现Kohonen网络的自组织特征映射功能。 η(t)和NEj*(t)都有许多不同的形式，在具体训练过程中可根据不同的数据分布进行选择和设计。 6.7 人工神经网络的应用开发设计 6.7.1 人工神经网络应用的可行性 在决定选用人工神经网络技术时，还可以考虑用一般的计算方法、统计方法以及人工智能方法。 人工神经网络技术与一般的计算方法 对于计算强度不大的问题，若采用合适的算法，用一般的计算方法也是可行的。 但问题在于一般的计算方法不具备容错能力，而有些数据常受客观环境的影响，如噪声、模糊、自然失真和变形等，将对结果产生严重影响，此时采用人工神经网络技术更为合适。 6.7 人工神经网络的应用开发设计 6.7.1 人工神经网络应用的可行性 人工神经网络技术与统计方法 对于涉及大量数据而又不能用符号或数学方法描述的问题，统计方法一直是传统的工具。 但在图像处理、雷达和声纳图形识别、过程控制以及语音处理问题等领域，人工神经网络技术表现出更大的灵活性和自适应性，具有更强的处理能力，有可能取得更好的处理效果。 6.7 人工神经网络的应用开发设计 6.7.1 人工神经网络应用的可行性 人工神经网络技术与人工智能方法 在某些情况下，传统的人工智能方法或基于规则的方法可能更有效。当处理相对简单或是一个封闭的系统时，人工智能方法比较合适，因为在这种系统中，问题的特征和规律都是可理解的，并可以用逻辑或数学式精确描述。 对处理较复杂的问题或开放的系统，人工神经网络技术显得更为优越，因为在这种系统中，内部规律不甚了解，也不能用一组规则或方程进行描述，尤其是对于要求容错的任务，如图形的检测和识别、特征提取、预测和推论等，人工神经网络往往是最合适的处理手段。 6.7 人工神经网络的应用开发设计 6.7.2 人工神经网络应用的特点 对于给定的实际问题，要确定是否用人工神经网络技术解决，还要看其应用特点。 一些成功的人工神经网络应用，都有一些共同的特点： 该应用涉及一批密集的数据，而这些数据又依赖于多个相关的参数； 在该应用所涉及的范围内，已积累或收集了大量历史性数据和样本； 在该应用中提供的数据组是不完善的、有误差的，但它们却描述了确定的样本。 6.7 人工神经网络的应用开发设计 6.7.2 人工神经网络应用的特点 一般来说，比较适合人工神经网络的应用大多数都涉及图形识别或统计变换，例如： 字符识别 物体检测 信息预测 过程监控 信号处理 机器人控制 … 6.7 人工神经网络的应用开发设计 6.7.2 人工神经网络应用的特点 一般来