自我组织映射图网路-read.ppt

 Kohonen網路 Kohonen網路-自我組織化 Kohonen網路是依據自我組織化或非監督學習的概念，被用於集群(clustering)的類神經網路。 自我組織網路(Self-OrganizingMap,SOM)為在1980 年由T.Kohonen 提出此模式，其基本原理可溯自大腦結構的特性，大腦中具有相似功能的腦細胞聚集在一起，例如人類大腦中地有專司視覺、聽覺、味覺等區塊，也就是腦神經細胞有 『物以類聚』的特性。 自我組織映射圖網路模仿這種特性，其輸出處理單元會相互影響，當網路學習完畢後，其輸出處理單元相鄰近者會具有相似的功能，也就是具有相似的連結權位值，所以可以用在集群分析上來作分類。 Kohonen網路-非監督學習 非監督式學習是不需要目標向量的，輸入的樣本完全由特徵向量所組成。而訓練的原則是修正網路的權重矩陣以產生一致的輸出向量，這種的訓練方式是將一些特徵相近的樣本歸為同一類，而事先不須先告知目的向量，經過網路的歸類分析，可以將樣本轉換成較簡單的型式。 非監督式學習網路： (1) 自我組織映射圖網路 (Self-Organizing Map，SOM) (2) 自適應共振理論網 (Adaptive Resonance Theory Network，ART) Kohonen網路兩層之間的各神經元之間是雙向完全連接，而且網路中沒有隱含層。 在Kohonen網路中，輸出節點與其鄰域其他節點廣泛相連，並互相刺激。如下圖所示，每一個輸入都與二位陣列的輸出神經元相連接，每一個輸出單元都與其相鄰的輸出單元相連接。 因此Kohonen網路中包含兩類型 權值: a.輸入神經元與輸出神經元之間的連接權值 b.輸出神經元間的側向連接權值 Kohonen二維自我組織映射網路模型圖 Kohonen之分群歸屬問題 在使用Kohonen 作分群時，會遇到一個問題，那就是對於映射點之歸屬問題 在圖A.1 中，我們也許可以很清楚的知道它們是分成上、下兩群的， 但若是像圖A.2中我們的視覺也許會將之分群為左右， 但如圖A.3 之點A 和點B，我們可以知道它們是很接近的， 那會不會辨識成如圖A.4 所示之左邊及半弧部份為一群、而右邊為一群呢? 釐清集群的方式 在類神經網路中，我們知道，每個訓練過的data，其權位值會隨著各種不同進入之data 而隨著調整，等到最後的權位值區於收斂後，其訓練完成，而權位值的向量，會跟我們所訓練的data 值(一維、二維或多維)呈相同方向，因為Kohonen 所計算的是歐幾裏得距離(Euclidean distance)，所以它是找尋最短距離的， 也就是說，它的輸入向量跟權位值會是最接近的，基於這個理論，我們將計算彼此權位值之歐幾裏得距離(Euclidean distance)是否為最短，若最短的那些就歸類為一群。 DM軟體 功能 有/無 SQL Server 2005 × Statistica ○ Clementine ○ SAS EM ○