自组织神经网络中.pptVIP

第四章自组织神经网络（SONN);SONN概述;SONN概述;竞争学习原理;竞争学习原理;竞争学习原理;竞争学习原理;竞争学习原理;竞争学习网络特征;竞争学习网络特征;竞争学习网络特征;自组织特征映射（SOFM）模型;自组织特征映射（SOFM）模型;自组织特征映射（SOFM）模型;自组织特征映射（SOFM）模型;自组织特征映射（SOFM）模型;自组织特征映射（SOFM）模型;自组织特征映射（SOFM）模型;举例：;自组织特征映射（SOFM）模型;自产生与自组织神经网络（SCONN）;自产生与自组织神经网络（SCONN）;自产生与自组织神经网络（SCONN）;对向传播网络（CPN）;对向传播网络（CPN）;对向传播网络（CPN）;对向传播网络（CPN）;对向传播网络（CPN）;对向传播网络（CPN）;自适应共振理论（ART）模型;自适应共振理论（ART）模型;ART－1的基本原理;ART－1的基本原理;ART－1的基本原理;ART－1的基本原理;ART－1的基本原理;ART－1的基本原理;ART－1的基本原理;2/3匹配规则;2/3匹配规则;ART-1的学习算法;ART-1的学习算法;ART-1的学习算法;A.Carpenter和S.Grossberg已经证明了与ART模型有关的几个定理，其中两个最重要的结论是： (1)当网络学习稳定后，如果将一个已学习过的模式提供给网络，那么该模式将正确地激活表示所在类别的F2单元，并且共振状态出现。这种“直接访问”特性意味着网络能迅速访问已存贮的模式。 (2)学习过程是稳定的，即网络对任何一个输入模式经过有限次学习后，能产生一组稳定的连接权向量。当这个输入模式重复提供给网络时，不会引起网络连接权无休止地循环调节。 此外，网络对任何一个输入模式，试图将它进行有类别的分类。如果分类不成功，则将它归入一个新的类别。不管分类成功与否，都将它存贮于网络之中。这个过程使网络边学习边回想，实现了在线学习功能。进一步地，网络通过选择恰当的警戒参数，可对任意数目的输入模式按要求分类。;作业用自组织神经网络实现模式样本的自动聚类