竞争型神经网络课件.pptVIP

7 竞争型神经网络 Competitive Neural Network 竞争型神经网络模型 例7.1 以竞争型神经网络完成图示两类模式的分类。 * * 竞争型神经网络是基于无监督学习（Unsupervised learning）方法的神经网络的一种重要类型，它经常作为基本的网络形式，构成其它一些具有自组织能力的网络，如自组织映射网络、自适应共振理论网络、学习向量量化网络等。 生物神经网络存在一种侧抑制的现象，即一个神经细胞兴奋后，通过它的分支会对周围其他神经细脑产生抑制，这种抑制使神经细胞之间出现竞争：在开始阶段，各神经元对相同的输入具有相同的响应机会，但产生的兴奋程度不同，其中兴奋最强的一个神经细胞对周围神经细胞的抑制作用也最强，从而使其它神经元的兴奋得到最大程度的抑制，而兴奋最强的神经细胞却“战胜”了其它神经元的抑制作用脱颖而出，成为竞争的胜利者，并因为获胜其兴奋的程度得到进一步加强，正所谓“成者为王，败者为寇”。 竞争型神经网络在学习算法上，它模拟了生物神经网络中神经元之间的兴奋、抑制与竞争的机制，进行网络的学习与训练。 可以看出竞争型神经网络为单层网络。||ndist|| 的输入为输入向量p和输入权值向量IW，其输出为S1?1的列向量，列向量中的每个元素为输入向量p和输入权值向量IW距离的负数（negative），在神经网络工具箱中以距离函数negdist进行计算。 n1为竞争层传输函数的输入，其值为输入向量p和输入权值向量IW距离的负数与阈值b1之和。如果所有的阈值向量为0，则当输入向量p和输入权值向量IW相等时，n1为最大值0。 对于n1中最大的元素，竞争层传输函数输出1（即竞争的“获胜者”输出为1），而其它元素均输出0。如果所有的阈值向量为0，则当神经元的权值向量最接近输入向量时，它在n1各元素中的负值最小，而值最大，从而赢得竞争，对应的输出为1。 采用newc创建竞争型神经网络，其权值的初始化函数为midpoint，阈值的初始化函数为initcon。 竞争型神经网络按Kohonen学习规则对获胜神经元的权值进行调整。假若第i个神经元获胜，则输入权值向量的第i行元素（即获胜神经元的各连接权）按下式进行调整： 而其它神经元的权值不变。 竞争型神经网络的学习 （1）Kohonen权值学习规则 Kohonen学习规则通过输入向量进行神经元权值的调整，因此在模式识别的应用中是很有用的。通过学习，那些最靠近输入向量的神经元权值向量被修正，使之更靠近，其结果是获胜的神经元在下一次相似的输入向量出现时，获胜的可能性会更大；而对于那些相差很远的输入向量，获胜的可能性将变得很小。 这样，当经过越来越多的训练样本学习后，每一个网络层中的神经元的权值向量很快被调整为最接近某一类输入向量的值。最终的结果是，如果神经元的数量足够多，则具有相似输入向量的各类模式作为输入向量时，其对应的神经元输出为1；而对于其它模式的输入向量，其对应的神经元输出为0。所以，竞争型网络具有对输入向量进行学习分类的能力。 竞争型神经网络的一个局限性是，某些神经元可能永远也派不上用场，换句话说，某些神经元的权值向量从一开始就远离所有的输入向量，从而使得该神经元不管进行多长的训练，也永远不会赢得竞争。这些神经元称之为“死神经元”，实现不了任何有用的函数。 为了避免这一现象的发生，对那些很少获胜（甚至从来不曾获胜）的神经元赋以较大的阈值，而对那些经常获胜的神经元赋以较小的阈值。正的阈值与距离的负值相加，使很少获胜的神经元竞争层传输函数的输入就象获胜的神经元一样。这一过程就象人们“同情”弱者一样，表现出一个人的“良心”。 这一过程的实现，需要用到神经元输出向量的平均值，它等价于每个神经元输出为1的百分比，显然，经常获胜的神经元，其输出为1的百分比大。 （2）阈值学习规则 进行阈值修正时，神经元输出向量的平均值越大，其“良心”值越大，所以凭“良心”获得的阈值就小，而让那些不经常获胜的神经元的阈值逐渐变大。其算法如下： c (k)= (1-lr)*c(k-1) + lr*a(k-1) b (k)= exp(1-log(c (k))) – b (k-1) 式中，c 为“良心”值；a为神经元输出的平均值；lr为学习率。 结果那些不经常产生响应的神经元的阈值相对于那些经常产生响应的神经元，其阈值不断增大，使其产生响应的输入空间也逐渐增大，即对更多的输入向量产生响应，最终，各神经元对输入向量产生响应的数目大致相等。 这样做有两点好