自联想与异联想实验解析.docVIP

自联想与异联想实验 摘要：实验分为两部分，第一，验证0-2的线性自联想；第二，实现A-J到0-9的异联想。本次实验利用C语言编程实现，最后通过实验结果分析线性联想器的联想和容错性能。 关键词：自联想；异联想；C语言 实验目的 了解线性联想器的原理与结构 实现简单的自联想 实现A-J到0-9的异联想 通过结果分析线性联想器的性能 实验工具与方法 自联想简介 自联想神经网络(Auto-Associative Neural Network , 缩写为AANN)是1992年Kramer提出的，是BP神经网络的一种特殊情形。其特点是有对称拓扑结构，即输出量等于输入量。 异联想简介 异联想与自联想类似，不同之处在于输出与输入不等（Pi!=Ti）。 线性联想器结构如图1所示 图1 线性联想器 如图1所示，P为输入向量，维数R*1，W为权值矩阵，维数S*R，a为联想器的输出向量，维数S*1。 实验内容 验证0-2的自联想 1.1 网络的设计与预处理 自联想网络的设计如图2所示。 图2 实验一自联想网络 如图所示，输入向量P的维数是30*1，权值矩阵W是30*30的方阵，网络输出向量a的维数是30*1，选择的激励函数为硬极限函数（取值为1或-1）。 预处理主要是实现0-2数字的数字图像化，每个数字用一张6*5的图像表示。下图3给出了0-2对应的数字图像。数字0对应的向量形式为： P[0][30]={-1，1，1，1，1，-1，1，-1，-1，-1，-1，1，1，-1，-1，-1，-1，1，1，-1，-1，-1，-1，-1，1，-1，1，1，1，1，-1}； -1 1 1 1 -1 1 -1 -1 -1 1 1 -1 -1 -1 1 1 -1 -1 -1 1 1 -1 -1 -1 1 -1 1 1 1 -1 1 1 1 -1 -1 -1 -1 -1 1 -1 -1 -1 -1 1 -1 -1 1 1 -1 -1 -1 1 -1 -1 -1 -1 1 1 1 1 -1 1 1 -1 -1 -1 -1 1 -1 -1 -1 -1 1 -1 -1 -1 -1 1 -1 -1 -1 -1 1 -1 -1 -1 -1 1 -1 -1 0 1 2 图3 0-2图像表示 1.2 实验步骤 首先根据下面的公式计算出对应的权值矩阵W，然后将P输入，获取联想器输出的结果a，然后判断a与P是否相等。 最后在完成初始验证的情况下，分3组进一步测试，第1组将原图像隐去50%，第2组将原图像隐去67%，第3组进行带噪声的测试。通过实验的结果分析自联想联想器性能。 A-J到0-9异联想 2.1 网络的设计与预处理 因为本次实验的异联想实在自联想网络的基础上扩展来的，所以网络的设计不变，预处理的过程也是类似的，只是把0-2扩展到0-9。预处理中需要添加期望输出矩阵T[10][30]，用来存放A-J图像数据。 2.2 实验步骤 异联想用到了仿逆规则，首先需要根据公式计算出P+，然后求出权值矩阵W，最后验证网络能否实现A-J到0-9的异联想。 仿逆规则： 验证： Ti=hardlims(W*Pi) 实验结果 自联想测试结果 实验1结果如图4所示。（样本为做处理） 图4 实验1结果 实验2结果如图5所示。（隐去原数据50%） 图5 隐去50%的结果 实验3结果如图6所示。（隐去元数据67%） 图6 隐去67%的结果 实验4结果如图7所示。（加入噪声测试） 图7 加入噪声测试结果 异联想测试结果 实验1输入未处理的A-J，如图8所示。 图8 原始输入数据 对应0-9的输出，如图9所示。 图9 异联想实验结果 实验2输入隐藏50%的A-J，如图10所示。 图10 实验1测试数据输入效果 对应0-9的输出，如图11所示。 图11 隐去50%的异联想结果 实验分析 通过本次线性联想器实验，可以发现自联想阶段，联想器在隐去50%数据和存在噪声的情况下比较完整的联想出了理想的结果，在隐去67%数据时，联想器只识别出了数字1。因此，线性联想器在一般情况下（数据缺失、损坏较小时）联想比较容易，当数据大量失真时，则难以联想出来。因此可以认为线性联想器具有一定的容错能力，但是它的容错能力比较弱。 本次实验中异联想阶段，首先实现了简单的联想，通过实验结果可以看出简单的异联想还是可以完美的实现的。然后进行了隐去50%数据的异联想测试，可以清楚的发现结果并不理想，A-J的10个字母，只识别出D-3，F-5和I-8。 最后，我认为可能是学习规模从0-2扩大到0-9的缘故，实验中异联想的容错性能