人工神经网络8ART神经网络.pptVIP

(3)控制信号 控制信号G2的作用是检测输入模式X 是否为0，它等于X 各分量的逻辑“或”，如果xi(i =1,2,…,n)为全0，则G2=0，否则G2=1。 控制信号G1的作用是在网络开始运行时为1，以使C=X，其后为0以使C 值由输入模式和反馈模式的比较结果决定。设R 层输出向量各分量的逻辑“或”用R0表示，则信号G1= ，当R 层输出向量R 的各分量为全0而输入向量X不是零向量时，G1=1，否则G1=0。 控制信号Reset的作用是使R层竞争获胜神经元无效，如果根据某种事先设定的测量标准，C与X未达到预先设定的相似度ρ，表明两者未充分接近，于是系统发出Reset信号使竞争获胜神经元无效。 网络系统结构 相似程度可能出现的两种情况： ①相似度超过参考门限 选该模式类作为当前输入模式的代表类。权值调整规则是，相似度超过参考门限的模式类调整其相应的内外星权向量，以使其以后遇到与当前输入模式接近的样本时能得到更大的相似度；对其它权值向量则不做任何变动。 ②相似度不超过参考门限值 需在网络输出端设立一个代表新模式类的节点，用以代表及存储该模式，以便于参加以后的匹配过程。 网络运行原理 网络运行原理 对于每一个输入，模式网络运行过程可归纳为四个阶段： (1)匹配阶段 网络在没有输入之前处于等待状态，此时输入端X＝0，因此信号G2＝0，R0=0。当输入不全为0的模式X 时，G2＝1，R0=0，使得G1=1。G1为1时允许输入模式直接从C层输出，并向前传至R 层，与R 层节点对应的所有内星向量Bj 进行匹配计算： j=1,2,…，m 选择具有最大匹配度(即具有最大点积)的竞争获胜节点： 使获胜节点输出 =1，其它节点输出为0。 网络运行原理 (2)比较阶段 R层输出信息通过外星向量返回到C层。R 层获胜节点所连的外星权向量激活，从节点j* 发出的n个权值信号返回到C 层的n个节点。此时，R层输出不全为零，R0=1，而G1=0，所以C层最新输出状态C’取决于由R 层返回的外星权向量和网络输入模式X的比较结果，即 ， ,i=1,2,…,n。比较结果C’反映了在匹配阶段R 层竞争排名第一的模式类的典型向量与当前输入模式X 的相似程度。相似程度的大小可用相似度N0 反映，定义为： 设输入模式样本中的非零分量数为： 网络运行原理 (2)比较阶段 用于比较的参考门限为ρ，在0～1范围取值。检查输入模式与模式类典型向量之间的相似性是否低于参考门限，如果有 N0/N1=ρ 则X与C的相似程度不满足要求，网络发出 Reset 信号使第一阶段的匹配失败，竞争获胜节点无效，网络进入搜索阶段。如果有 N0/N1ρ 表明X与获胜节点对应的类别模式非常接近，称X 与 发生“共振”，第一阶段的匹配结果有效，网络进入学习阶段。 网络运行原理 (3)搜索阶段 网络发出Reset 重置信号后即进入搜索阶段，重置信号的作用是使前面通过竞争获胜的神经元受到抑制，并且在后续过程中受到持续的抑制，直到输入一个新的模式为止。由于R 层中的竞争获胜的神经元被抑制，从而再度出现R0=0，G1=1，因此网络又重新回到起始的匹配状态。 由于上次获胜的节点受到持续的抑制，此次获胜的必然是上次匹配程度排在第二的节点，将该节点对应的外星权向量与输入模式进行匹配计算。如果对R层所有的模式类，在比较阶段的相似度检查中相似度都不能满足要求，说明当前输入模式无类可归，需要在网络输出层增加一个节点来代表并存储该模式类，为此将其内星向量 设计成当前输入模式向量，外星向量 各分量全设为1。 网络运行原理 (4)学习阶段 在学习阶段要对发生共振的获胜节点对应的模式类加强学习，使以后出现与该模式相似的输入样本时能获得更大的共振。 网络运行原理 训练可按以下步骤进行： (1)网络初始化 从C 层向R 层的内星权向量Bj 赋予相同的较小数值，如 从R 层到C 层的外星权向量Tj 各分量均赋1 网络的学习 (2)网络接受输入 给定一个输入模式，X＝(x1,x2,…，xn)， xi?(0,1)。 (3)匹配度计算 对R层所有内星向量Bj计算与输入模式X的匹配度： j=1,2,…，m。 (4)选