中药薰蒸加按摩治疗腰背肌筋膜综合征358例ppt课件.pptVIP

四、竞争型神经网络 ;无教师学习的一大特征：将输入数据中隐含的特征抽取出来，自动进行学习 网络通过自身训练，自动对输入模式进行分类 在结构上，既不同于阶层型，各层神经元间非单向连接；也不同于全连接型，有层次界限 一般是由输入层和竞争层构成的两层网络。两层之间各神经元实现双向全连接，没有隐含层，有时竞争层各神经元之间还存在横向连接;在学习方法上，不是以网络的误差或能量函数的单调递减作为算法准则 而是依靠神经元之间的兴奋、协调、抑制、竞争的作用来进行信息处理，指导网络的学习与工作 基本思想： 网络竞争层各神经元竞争对输入模式的响应机会，最后仅一个神经元成为竞争的胜者，并将与获胜神经元有关的各连接权朝着更有利于它竞争的方向调整 这一获胜的神经元则表示对输入模式的分类;竞争型神经网络经常作为基本的网络形式，构成其它一些具有自组织能力的网络，如自适应共振理论网络（ART）、自组织映射网络（SOM）等 2、网络基本结构 一种比较简单的网络结构和学习算法： 结构：由输入层和竞争层构成 输入层有N个神经元；竞争层有M个神经元。 网络的连接权为{wij}, i = 1, 2,…, N,j = 1, 2,…, M 约束条件为：∑i=1,Nwij = 1;网络的P个二值（0、1）输入学习模式为： Ak = (a1k, a2k,…, aNk) 与其对应的竞争层输出模式为： Bk = (b1k, b2k,…,bMk ), k = 1,…, P 3、学习规则： Step1：初始化，按约束条件∑i=1,Nwij = 1，赋予wij [0，1]内的随机值 Step2：任选P个模式中的一个模式Ak提供给网络的输入层 Step3：计算竞争层各神经元的输入值sj： sj = ∑i=1,N wij aik i=1,…, M;Step4：按“胜者为王”的原则 以sj (j =1,2,…, M) 中最大值所对应的神经元作为胜者，将其输出状态置为1，而其它所有神经元的输出状态置为0，即： bj = 1 sj si (i=1,2,…,M, i≠j) bi = 0 i≠j 若出现sj = si的现象，则按统一约定取左边的神经元为获胜神经元 Step5：修正与获胜神经元相连的各连接权，而其它所有连接权保持不变 wij =wij + Δwij;Δwij = η ( aik / m – wij ) i =1,2,…,N, 0η1 η为学习系数，一般为0.01~0.03 m为第k个学习模式向量Ak = (a1k, a2k,…, aNk) 中元素为1的个数???归一化需要） Step6：选取另一个学习模式，回到3），直到P个学习模式全部提供给网络 Step7：返回2），直到各连接权的调整量变得很小为止 在网络回想时，就可以根据所记忆的学习模式，按4）对输入模式作出最邻近分类，即以竞争层获胜神经元表示分类结果;当ai为1时，由于wij《1（∑i=1,Nwij = 1），Δwij 为正，wij向增大方向变化 当ai为0时，Δwij 为负，wij向减小的方向变化；所有连接权始终在（0，1）之间变化 图 当同一个学习模式反复提供给网络学习后，则这一模式前次所对应的竞争层获胜神经元的输入值sj 会逐渐增大，继续保持胜者的地位 当与这一模式非常近似的模式提供给网络时，也将促使同一神经元在竞争中获胜，即以竞争层获胜神经元表示分类结果;对于分类结果的注意;例：对三维模式组的分类 P1=（1，0，1） P2=（1，0，0） P3=（0，1，0） P4=（0，1，1） 要求分为两类 计算P1~P4之间的汉明距离为： P1 P2 P3 P4 P1 0 1 3 2 P2 1 0 2 3 P3 3 2 0 1 P4 2 3 1 0 可见，P1，P2和P3，P4之间的汉明距离为1;五、自组织特征映射NN;另一方面，大脑神经网络中各神经细胞间的信息是通过神经键传递的，传递的结果有抑制与兴奋之分 生理学基础实验表明，某一外界信息所引起的并不是对一个神经细胞的兴奋性刺激 而是对以某一个细胞为中心的一个区域的神经细胞的刺激，且刺激的强度不是均一的，有强弱之分 神经元受兴奋刺激的强度，以区域中心为最大，随着区域半径的增大，强度逐渐减弱，呈墨西哥帽形状;1981年，由芬兰学者kohonen提出了一个比较完整的、分类性能较好的自组织特征映射（Self Organizing Feature Map）网络（SOM网），也称kohonen特征映射网 是无教师学习的代表例 SOM网，可自动发现输入数据的类似度，将相似的输入配置在网络中相近的地方，即对应于输入数据，构成有选择地反应的网络;2、自组织特征映射网络的结构;3、自组织特征映射NN学习过程;dj = [∑i=1， N ( xi – w