基于神经网络的模式分类方法的研究.docVIP

基于神经网络的模式分类方法的研究 　　摘要：利用神经网络进行模式分类时，可采用有导师分类方法，也可进行无导师的聚类方法，该文分析比较几种可用于模式分类神经网络的特征和各自的优缺点，提出在特定的情况下可选用特定的神经网络进行分类，也可根据实际情况进行综合。 　　关键词：神经网络；模式；分类 　　中图分类号：TP183文献标识码：A文章编号：1009-3044(2009)04-0922-02 　　The Research of the Classification of Model with Neural Network 　　GUO Xiao-yan 　　(Gansu Agriculture University, Information Science Technology College, Lanzhou 730070, China) 　　Abstract: The problems of classification of model with neural network can be solved by the help oftutors information, and also be solved by the help of clustering without the tutors information.This article analyzes andcompares several neural network models being used for classification of model,reach a conclusionthat inparticular situation different models of neural network can bechoiced , and if nessesary aintegratedway can be used. 　　Key words: neural network; classification; model 　　传统的分类方法对于同类相聚，异类分离比较有优势，但客观世界中许多事物在样本空间中的区域分割曲面非常复杂，相近的样本可能属于不同的类，而远离的样本可能属于同一类1。模式是对某些感兴趣的客体的定量描述或结构描述，模式类是具有某些共同特征的模式的集合。模式分类可分为两种类型，分类和聚类，分类是在类别知识等导师信息的指导下，将待识别的输入模式分配到各自的模式类中去。聚类是无导师的分类方法，它是将相似的模式样本划归为一类，而将不相似的分离开，实现了模式样本类内相似性和类间分离性。通过聚类，可以发现原始样本的分布特性。 　　神经网络对外界的输入样本具有很强的识别能力，可以发现输入样本自身的联系和规律以及输入样本和期望输出之间的非线性规律，因此在模式分类方面具有传统分类方法无法比拟的优点。人工神经网络在模式分类方面提出了大量了网络模型，发现了许多学习算法。 　　1 无导师分类机制 　　对于无导师的模式分类只从输入样本入手，通过分析与比较，找到输入样本的特征和内在规律，从而将具有相似性的样本聚为一类。 　　1.1 SOM网 　　SOM 网属于自组织映射神经网络，SOM神经网络接收外界的输入模式时，会分为不同的对应区域，各区域对不同的输入模式会有不同的响应特征，利用这个特征可以对输入模式进行分类。 　　算法思想： 　　它的学习规则是“胜者为王”。找出和输入向量最为相似的竞争层神经元（即获胜神经元），在一个以该神经元为中心的邻域内对本区域内的所有神经元的权值进行不同程度的调整，调整的原则是由远及近，由兴奋变为抑制，权值调整的结果是使竞争层的特定神经元变得对输入层的某些样本敏感，从而达到分类的目的。 　　算法步骤： 　　1) 找出获胜神经元 　　 对于每一个输入模式向量 X，竞争层的所有神经元对应的内星权向量Wj(j=1,2,…,m)均与X进行比较，将与X最为相似的神经元判为获胜神经元。其权值记为Wj*。相似性量度为X和W的欧氏距离或夹角余弦。 　　■ 　　m是竞争层神经元个数。 　　d=||X-Wj*||=min||X-Wj*||(j=1,2,…,n) 　　d为输入向量X离获胜神经元的距离 　　2) 找出一个Wj*的一个邻域Sj，对于Sj内的所有权值进行调整。 　　3) 权值调整 　　Wj(t+1)=Wj(t)+α[X-Wj(t)] 　　α为学习率，随着t的增加，α的值在不断地减小。 　　权值的调整是使得获胜结点更加接近输入样本，从而使竞争层的每一个神经元变为一个聚类中心。当向网络输入一个模式时，竞争层中哪个神经元获胜使输出为1，当前输入就归为哪类。 　　通过聚类进行模式划分的方法还有模