SLFM神经网络的研究与进展.docVIP

SLFM神经网络的研究与进展 常秀娟，刘列励 北京航空航天大学 经济管理学院，北京 100083 摘要：有监督线性特征映射网络（Supervised Linear Feature Mapping Network，简记为SLFM）是一种具有刻度尺型线性输出节点的二层网络，采用奖惩式修正规则。SLFM网络具有学习训练速度快、学习能力强、预测精度较高等特点。文章系统地介绍了SLFM网络的产生的背景依据、基本算法，重点归纳了其主要的应用现状及其改进算法，最后展望了该算法的发展方向，预测了该网络模型在制造业中的应用前景。 关键词：神经网络，有监督线性特征映射网络，SLFM，改进算法，SOM Research and Development of Supervised Linear Feature Mapping Network CHANG Xiu-Juan, LIU Lie-Li School of Economics and Management, Beihang University, Beijing 100083, China Abstract: Supervised Linear Feature Mapping Network is a two-layered network with linear –output nodes. SLFM net-work has low training iterations, speedy learning speed and high accuracy. In this paper, the background of Supervised Linear Feature Mapping Network and basic algorithm are introduced. The improved algorithms have been concluded emphatically, and applying fields are also discussed briefly. Finally, some remarks on future research are given. Keywords: Neural Network, Supervised Linear Feature Mapping Network, SLFM, Improved algorithms, SOM 有监督线性特征映射网络（Supervised Linear Feature Mapping Network，简记为SLFM）是由西北工业大学朱名铨教授于1997年提出,并成功运用于刀具磨损量的实时估计[1]。SLFM网络采用线性分度式输出结构,输出层节点分别对应于连续量的不同估计值。目前，SLFM网络已经运用到刀具磨损量估计、产品质量控制、材料性能预测等方面。 SLFM网络的产生 SLFM是在自组织特征映射网络(Self-Organizing Feature Mapping Network,简称SOM)的基础上提出的，是其特例或变型。SOM网络是由芬兰赫尔辛基大学Teuvo Kohonen教授于1981年提出的一种两层神经网络，采用WTA(Winner Takes All)竞争学习算法。自组织映射算法作为一种聚类和高维可视化的无监督学习算法，根据人脑对信号处理的特点，模拟人类根据过去经验自动适应无法预测的环境变化二维阵列神经网络由输入层和竞争层组成。输入层是一维的神经元。竞争层输入层的神经元和二维阵列竞争层的神经元每个都相互连接。图 二维阵列SOM模型在神经网络的SOM模型中，每一个权系数的有序序列都可以看作是神经网络的一种内部表示，它是有序的输入序列的相对应映象。SOM模型可以实现自组织功能。自组织的目的就是通过调整权系数，使神经网络收敛于一种表示形态，在这一表示形态中的一个神经元只对某种输入模式特别匹配或特别敏感。换言之自组织映射的目的就是使神经元的权系数的形态表示可以间接模仿输入的信号模式。自组织特征映射SOM的学习算法是由最优匹配神经元的选择网络中权系数的自组织过程两部分组成的。这两部分是相互相成的，它们共同作用才能完成自组织特征映射的学习过程。选择最优匹配神经元实质是选择输入模式对应的中心神经元C。权系数的自组织过程则是以“墨西哥帽”的形态来使输入模式得以存放。每执行一次学习， SOM网络中就会对外部输入模式执行一次自组织适应过程；其结果是强化现行模式的映射形态，弱化以往模式的映射形态。SOM算法的具体过程如下[2]： (1)将权值赋予小的随机初始值；设置一个较大的初始邻域，并设置网络的循环次数T； (2)给出一个新的输入模式：，输入到网络上； (3)计算模式和所有的输出神经元的距离，并选择和距离最小的