第十章 SOFM神经网络（付冬梅）.pptVIP

2006-12-27 北京科技大学 自动化系 付冬梅 * 第十章 SOFM神经网络 10.6 SOFM网络仿真实例 2006-12-27 北京科技大学 自动化系 付冬梅 * 类别1 类别2 类别5 类别4 类别3 测试数据属于类别5 第十章 SOFM神经网络 10.6 SOFM网络仿真实例 2006-12-27 北京科技大学 自动化系 付冬梅 * 第十章 SOFM神经网络 用 个神经元的SOFM网络来学习单位正方形内均匀分布的训练数据。训练样本随机产生（见图10.6a），测试样本取单位正方形内均匀点阵（见图10.6b），用方法一测试结果见图10.6c。当输入测试向量（1，1）时，神经元11最活跃，而当输入测试向量（8，8）时，神经元（8，8）最活跃。显然（c）图与（b）图的概率分布及拓补结构特征完全一致。 10.6 SOFM网络仿真实例 2006-12-27 北京科技大学 自动化系 付冬梅 * 第十章 SOFM神经网络 图10.7是同样数据的方法二测试结果， =100 ， =500， =2000， =10000。可以看出，初始时随机分布的权到 迭代改进100步以后显现出初步规律，2000次后规律更加明 显，约10000次后权向量的概率分布及拓补结构就与测试数 据基本一致了。 图10.7 方法2显示结果 2006-12-27 北京科技大学 自动化系 付冬梅 * 第十章 SOFM神经网络 10.6 几点注意事项 (1)为使映射精确，迭代次数 要适当地大，据经验至少要 等于神经元个数的500倍，但与 的维数无关。 (2)前1000步， 可以从一个接近1的数开始下降，下降率适 当大点，这个阶段可称之为有序化。在1000步以后减小下 降率，从 逐步下降为0，这个阶段可称为精调。 (3)邻域 太小则映射可能不是全局有序化的，会出现马 赛克效应，使本来应该映射到同一区域的却分别映射到几 个不相邻的小区域。前1000步 可线性缩小，精调时可保 持在适当小的数值上不变。 2006-12-27 北京科技大学 自动化系 付冬梅 * 第十章 SOFM神经网络 关于SOFM，kohonen本人有几点评论，叙述如下： (1) 目前的SOFM只是极端简化地模拟了人脑的自组织映射功能，如要用作大型的数据库势必大大增加网络神经元的数目，这不是一种好办法。伟人与一般人的大脑在尺度上并没有什么区别，似乎是通过对信号子集进行编码来实现，这种抽象表示的分层结构越发达运算和联想能力越强。 (2) SOFM网与其它神经网络的主要区别在于，其他网络重点强调并行处理，神经元的自组织性放在第二位，而SOFM网在并行处理的同时特别强调了自组织性。 (3) SOFM的主要发展方向有两个：实行真正的分层结构，即若干层SOFM级联起来；将一个大的平面划分成不同的区域，每个区域用一种SOFM，每个区域对应不同的信号源，好像人类脑皮层不同区域分管视、听、嗅、味、触各种不同感觉一样。同时这些区域的边界不需要很清晰。 2006-12-27 北京科技大学 自动化系 付冬梅 * 第十章 SOFM神经网络 Mikkulainen构建的Dislex模型 2006-12-27 北京科技大学 自动化系 付冬梅 * 第十章 SOFM神经网络 Sardnet模型示意图 2006-12-27 北京科技大学 自动化系 付冬梅 * 本章结束，谢谢大家！ 北京科技大学 自动化系 付冬梅 北京科技大学 自动化系 付冬梅 2006-12-27 北京科技大学 自动化系 付冬梅 * 第十章 SOFM神经网络 北京科技大学 信息工程学院 付冬梅 2006-12-27 北京科技大学 自动化系 付冬梅 * 自组织竞争神经网络类型 自适应共振理论(Adaptive Resonance Theory，ART)网络 自组织特征映射(self-Organizing Map，SOM)网络 对传(Counter Propagation，CP)网络 协同神经网络(Synergetic Neural Network．SNN) 第十章 SOFM神经网络 2006-12-27 北京科技大学 自动化系 付冬梅 * 第十章 SOFM神经网络 由芬兰学者Teuvo Kohonen于1981年提出。 基本上为输入层和映射层的双层结构,映射层的神经元互相连接，每个输出神经元连接至所有输入神经元 。 I’m Teuvo Kohonen 2006-12-27 北京科技大学 自动化系 付冬梅 * 神经网络系统中的一个主要特点是它具有学习功能。通过学习它可以提取一组数据中的重要特征或找出