2015学习向量量化神经模型与学习算法.pptVIP

2.7学习向量量化神经网络模型与学习算法 2.7.1 LVQ神经网络结构 学习向量量化LVQ(Learning Vector Quantization)神经网络，属于前向有监督神经网络类型，在模式识别和优化领域有着广泛的的应用 由芬兰学者Teuvo Kohonen提出 LVQ神经网络由输入层、隐含层和输出层三层组成，输入层与隐含层间为完全连接，每个输出层神经元与隐含层神经元的不同组相连接。隐含层和输出层神经元之间的连接权值固定为１。在网络训练过程中，输入层和隐含层神经元间的权值被修改。当某个输入模式被送至网络时，最接近输入模式的隐含神经元因获得激发而赢得竞争，因而允许它产生一个＂１＂，而其他隐含层神经元都被迫产生＂０＂。与包含获胜神经元的隐含层神经元组相连接的输出神经元也发出＂１＂，而其他输出神经元均发出＂０＂。 2.7.1 LVQ神经网络结构 2.7.2 LVQ神经网络的学习算法 LVQ1算法具体步骤如下： （1）网络初始化 用较小的随机数设定输人层和隐含层之间的权值初始值。 （2）输入向量的输入 将输人向量 送入到输入层。 （3）计算隐含层权值向量与输入向量的距离 隐含层神经元和输入向量的距离，与自组织化映射的情况相同，由下式给出： 2.7.2 LVQ神经网络的学习算法 （4）选择与权值向量的距离最小的神经元