第六章节竞争神经网络.pptVIP

* 学习矢量量化 LVQ (Learning Vector Quantization) * 概述 矢量量化是标量量化概念的扩展，适用于高维数据。把高维数据离散化，邻近区域看作同一量化等级，用其中心值代表。其算法可视为一种逐次聚类的算法，聚类中心是该类的代表（称为码字）。 如果SOFM算法中不考虑邻域，即邻域只包含节点c本身，则有 * SOFM与LVQ有共同之处，即都能用少量的聚类中心表示原数据，从而起到数据压缩作用。不同之处在于SOFM的各聚类中心（输出阵列中的神经元）的排列是有结构性的，即相邻中心点对应的输入数据中的某些特征是相似的，而VQ的中心没有这种排序功能。 自组织映射可以起到类似聚类的作用，但不能直接用于分类或识别。为此，可增加监督学习。 1989年，Kohonen提出了LVQ网络模型。该模型将竞争学习和有监督学习结合，在学习中允许对输入被分到哪一类进行指定，即给出了分类的教师信息。 * 网络结构 类别K 类别1 类别2 输入层（N个神经元） 输出层（M个神经元） 输出神经元j的输出为： f为神经元激励函数，一般取线性函数 输出神经元被预先指定了类别，输出神经元被分为k组即k个类别 * 学习算法 ① 初始化权重和学习率 ② 从样本集中随机选取输入向量X ③ 找到赢者神经元c( 最小欧氏距离)： j=1,2,…M ④