SOM神经网络在嵌入式ARM上的移植.docVIP

SOM神经网络在嵌入式ARM上的移植 1. SOM神经网络介绍 1.1 SOM神经网络概述 自组织特征映射网络（SOM,Self Oraganizing Feature Map）也称Kohomen网络，它是由荷兰学者Teuvo Kohonen于1981年提出的，该网络是一个由全连接的神经元阵列组成的无教师﹑自组织﹑自学习网络。Kohonen认为，处于空间中不同区域的神经元有着不同的分工，当一个神经网络接受外界输入模式时，将会分为不同的反应区域，各区域对输入模式具有不同的响应特性。 自组织特征映射神经网络根据输入空间中输入量的分组进行学习和分类。其与自组织竞争层网络的区别在于：在SOM网络中，竞争层中的神经元会尝试识别输入空间临近该神经元的部分，也就是说，SOM神经网络既可以学习训练数据输入向量的分布特征，也可以学习训练输入向量的拓扑结构。与SOM拓扑排序特征有关的重要特点是每个神经元与其近邻神经元也是相关联的。在权值更新过程中，不仅获胜神经元的权值向量得到更新，而且其近邻神经元的权值向量也按照某个“近邻函数”进行更新。这样在开始时移动量很大，权值向量大致地可按它们的最终位置来排序。最后，只移动单个权值向量（微调）。这样就形成了一种特殊的分类法，权值向量按照这样一种方式变为有序，即它们在某个“弹性”网格上代表着输入量。如果网格的某个位置有变化，那么这种变化将影响到此神经元的近邻。但是，离该神经元越远，这种影响就越小。因此，在竞争层的神经元位置演变的过程中，每个区域代表一类输入向量。换句话说，要用若干个权值向量来表示一个数据集（输入向量），每个权值向量表示某一类输入向量的均值。 通过训练，可以建立起这样一种布局，它使得每个权值向量都位于输入向量聚类的中心。一旦SOM完成训练，就可以用于对训练数据或其它数据进行聚类。 1.2 SOM神经网络结构 典型SOM网络结构如下图所示，由输入层和竞争层组成。输入层神经个数为m，竞争层是a×b个神经元组成的二维平面阵列，输入层与竞争层各神经元之间实现全连接。 输出节点 输出节点 竞争层（输出层） 竞争层 （输出层） 输入层 输入层 X2......XmX1 X2 ...... Xm X1 图1 二维阵列SOM神经网络模型 SOM网络的一个典型特征就是可以在一维或者二维的处理单元阵列上形成输入信号的特征拓扑分布，因此SOM网络具有抽取输入信号模式特征的能力。SOM网络一般只包含有一维阵列和二维阵列，但也可以推广到多维处理单元阵列中去。SOM网络模型由以下4个部分组成： 处理单元阵列：用于接收事件输入，并且形成对这些信号的“判别函数”。 比较选择机制：用于比较“判别函数”，并选择一个具有最大函数输出值的处理单元。 局部互联作用：用于同时激励被选择的处理单元及其最邻近的处理单元。 自适应过程：用于修正被激励的处理单元的参数，以增加其对应于特定输入“判别函数”的输出值。 1.3 SOM神经网络学习算法 Kohonen自组织特征映射算法能够自动找出输入数据之间的类似度，将相似的输入在网络上就近配置，因此是一种可以构成对输入数据有选择地给予反应的网络。Kohonen在自组织特征映射的学习算法步骤如下： 网络初始化 用随机数设定输入层和映射层之间权值的初始值。对m个输入神经元到输出神经元的连接权值赋予较小的权值。选取输出神经元j个“邻接神经元”的集合Sj。其中Sj（0）表示时刻t=0的神经元j的“邻接神经元”的集合，Sj（t）表 输入向量的输入 把输入向量输入给输入层。 计算映射层的权值向量和输入向量的距离（欧式距离） 在映射层，计算各神经元的权值向量和输入向量的欧式距离。映射层的第j个神经元和输入向量的距离： 其中，为输入层的i神经元和映射层的j神经元之间的权值。通过计算，得到一个具有最小距离的神经元，将其称为胜出神经元，记为，即确定出某个单元k，使得对于任意的j，都有，并给出其邻接神经元集合。 权值的学习 按照修正输出神经元及其“邻接神经元”的权值。 式中，η为一个大于0小于1的常数，随着时间变化逐渐下降到0. 或 （5）计算输出 式中，f（*）一般为0～1函数或者其他非线性函数。 是否达到预先设定的要求 如达到要求则算法结束；否则，返回步骤（2），进入下一轮学习。 SOM网络的结构和映射算法研究表明，脑皮层的信息具有两个明显的特点：其一，拓扑映射结构不是通过神经元的运动重新组织实现的，而是由各个神经元在不同兴奋状态下构成一个整体所形成的拓扑结构；其二，这种拓扑映射结构的形成具有自组织的特点。SOM网络中神经元的拓扑组织就是它最根本的特征。对于拓扑相关而形成的神经元子集，权重的更新是相似的。且在这个学习过程中，选出的子集将包含不同的神经元。 整体移植方案 我计划将《MATLAB神经网络30个案例分析》