第四章、非监督式类神经网路.pptVIP

第四章 非監督式類神經網路 4.1 簡介 非監督式的類神經網路在缺乏期望輸出值的情況下，能夠自行發掘出資料中的那些特徵是重要的或是可忽略的，以便將資料作“群聚” (clustering) 的處理。 此種類神經網路經常被用來作為前處理單元 (preprocessing unit)，以便萃取出資料的特徵，或將資料做向量量化 (vector quantization) 之後，再配合監督式學習法，便可完成圖樣識別 (pattern recognition) 的任務。 基本上，此類型的網路，其類神經元的輸出值所代表的意義是，此類神經元對於目前輸入網路的資料，其熟悉程度有多高？熟悉程度的高低，則取決於目前資料與過去網路所見過的一些已經形成範例的資料，彼此之間的相似度有多大？而量測相似度的方法，則依據各種不同的非監督式類神經網路，有各自的考量。 4.2 競爭式學習演算法則 (1) 除了來自生物現象的動機之外，在群聚分析 (clustering analysis) 的問題上，我們會需要非監督式的學習法來發掘出資料本身所具備的結構。 在類神經網路中有兩種實現非監督式學習法的演繹法則： 1. Hebbian 學習規則 ? 通常不是被用來分析資料間的群聚關係或被用來將資料分類；反而是被用來量測資料間的相似性或分析出資料中的“主要成份向量 (principle components)”。