自组织网络用于模式识别.doc

模式识别课程报告 题 目：自组织网络用于模式识别 学 院： 信息工程学院 班 级： 学生姓名： 学 号： 指导教师： 2012年 12 月 30 日 自组织网络用于模式识别 Self-Organizing Neural Network for Pattern Recognition 一 自组织网络的概述 Summary of Self-Organizing Neural Network 1.1 自组织网络的原理和分类 Principle and Classification of Self-Organizing Neural Network 自组织神经网络是神经网络领域内最激动人心的方向之一，它是受生物神经系统结构和现象启发而建立的人工神经网络结构。在生物神经系统中，存在着一种“侧抑制”现象，即当一个神经细胞兴奋后，会对其周围的神经细胞产生抑制作用。这种“侧抑制”使神经细胞之间呈现出竞争。开始时可能多个细胞同时兴奋，但一个兴奋程度最强的神经细胞会逐渐抑制周围神经细胞，其结果使其周围神经细胞兴奋度减弱，从而兴奋度最高的细胞是这次竞争的“胜者”，而其他神经细胞在竞争中失败。 1981年，芬兰学者Kohonen提出了一个较为完整的、分类性能较好的自组织特性映射神经网络。此神经网络一般具有输入层和竞争层两层结构，其中竞争层为其核心层。网络模拟了大脑神经细胞对外界刺激的反应，通过输入样本反复的无监督学习，将输入模式的统计特征融解到各个连接权值上，实现特定区域的神经元对特定模式的输入产生响应的功能，同时具有很强的抗干扰能力。 自组织神经网络还有其他种类，例如学习向量量化网络（LVQ网络）等。LVQ网络是一种利用有监督学习对竞争性网络进行训练的网络类型。在无监督学习的方式下，竞争层对输入样本进行模式分类只依赖输入向量之间的距离。如果两个输入向量的距离接近的话，就会被划为同一类，而利用LVQ网络，则可以由用户定义标准，对输入向量进行分类。 自组织神经网络包括自组织竞争网络、自组织特征映射网络、学习矢量量化等网络结构形式，下面主要对自组织特征映射网络的结构和学习算法及应用进行介绍。 自组织神经网络，又称为自组织竞争神经网络,特别适合于解决模式分类和识别方面的应用问题。自组织神经网络属于前向神经网络类型，采用无导师学习算法，自组织特征映射神经网络不仅能够像自组织竞争神经网络一样学习输入的分布情况，而且可以学习神经网络的拓扑结构。 1.2 自组织特征映射网络的介绍 Introduction to Self-Organizing Feature Map Network 1981年，科霍恩(Kohonen)教授提出一种自组织特征映射网(Self-Organizing feature Map,简称SOM，又称Kohonen网）。科霍恩认为，一个生物神经网络在接受外界输入模式时，将会分为不同的对应区域，各区域对输入模式具有不同的响应特征，而且这个过程是自动完成的。以此为基础，科霍恩创建了SOM。自组织特征映射神经网络结构如图1.1。 图1.1 自组织特征映射神经网络结构 1.3 SOM网络的算法介绍 Introduction to Algorithm of SOM SOM网络的学习也是一种竞争性学习的算法，区别只是输出层有几何分布，有交互作用函数代替了简单的侧抑制，因此学习算法是类似的。自组织特征映射算法的具体步骤如下: 第一步，设置初始权值，定义输出层神经元的邻域。若输入模式是n维向量，输出层有M个神经元，则从n个输入神经元到M个输出神经元之间的权值设置为一些较小的非零随机数。输出层神经元的邻域设置成一个较大的范围。 第二步，输入新的模式向量X=[x1,x2,x3,…,xn]T。 第三步，计算输入模式到每个输出层神经元j的距离dj。 式中，wij是j时刻神经元i到输出层神经元j之间的连接权。 第四步，选择与权值向量距离最小的输出层神经元，该神经元表示成j*。 第五步，修改与神经元j*及其邻域中神经元的权值。权值的修改根据下式进行： 式中，是修正参数，取值范围为0<<1。 第六步，是否达到预定的要求，如达到要求算法结束，否则返回第二步进行下一轮学习。 1.4 SOM网络的算法编程的流程图 Program Flowchart of SOM Algorithm 下面是用matlab对SOM算法编程的流程图如图1.