课件：协同神经网络简介.pptVIP

“智能信息处理” 具有很大的发展空间！大有可为！ 欢迎报考“智能信息处理”研究方向！！ 希望与要求 参文引用 高隽 编著. 《人工神经网络原理及仿真实例》，北京：机械工业出版社，2003 高隽 编著. 《智能信息处理方法导论》，北京：机械工业出版社，2004 发表的论文 交流与合作 感谢大家！ 后面内容直接删除就行 资料可以编辑修改使用 资料可以编辑修改使用 主要经营：网络软件设计、图文设计制作、发布广告等 公司秉着以优质的服务对待每一位客户，做到让客户满意！ 致力于数据挖掘，合同简历、论文写作、PPT设计、计划书、策划案、学习课件、各类模板等方方面面，打造全网一站式需求 * * * * * 对系统方程进行非线性失稳分析后，可以将状态向量分为稳定模和非稳定模，我们称非稳定模为序参量 根据协同学的支配原理，系统演化的结构，也即系统的有序化，只取决于非稳定模。因而，可以只用非稳定模的序参量来进行讨论。 协同学的建模主要是建立随机微分方程，运用支配原理，将快变量消去，以获得序参量的封闭方程。即，把一个高维的非线性问题归结为一组维数很低的非线性方程（即序参量方程）来描述，序参量方程控制着系统在临界点附近的动力学行为。 引入势函数V: 势函数可以看成一个有山有谷的地形图，每个谷地表示一个稳定的不动点，每个山峰顶部表示一个不稳定不动点，由于稳定不动点看起来能够吸引“粒子”，可称之为吸引子，这些点上的粒子都能被同一个吸引谷底所吸引，山背上的最小高度点称为鞍点。 记忆状态 记忆（伪）状态 吸引域 势函数表征了模式演化的过程，所有的吸引子可看成是记忆状态，而稳定不动点中的最小点是真正的记忆状态，其它点则是记忆伪状态，伪状态中的粒子最终被真正状态所吸引，伪状态消失，即系统最终受非稳定模的支配。 协同学的基本原理 ： 当一个系统受外界控制参数的影响，它可能被驾驭到一个不稳定状态，在这个状态下，若干个模趋向生长，与此相反，其他全部的模则逐渐衰减，由于这些生长模确定了整个系统的动力学特性和模结构，所以生长模的幅值称为序参量。在不稳定点下面，会变得存在若干个可达的稳定状态，但其中仅有一个稳定状态能被选择（这时就产生对称破缺），而实际的选择完全依赖于最初引发的状态，例如依赖于当时的涨落。所以，一旦序参量被确定下来，模式也就被选定。 第二部分 协同神经网络 “模式识别就是模式形成的过程” 协同时代的爱情故事 ---相识经过多年的演化她找到了他的伴随向量 ---相恋她把他看成自己的序参量并在竞争中成功侧抑制了其他模式 ---相爱偶尔她也乏味而寻找道具但伴随向量本身还是具有邪教的回归力 ---相守她困守在输出层的牢笼却不知自己也成了伴随矢的道具 这个学习的过程有许多秘密最重的权值还是物质和生物的利益她和伴随矢几乎在正交域他们最终不可能有大于0.1的内积 他也许并不在乎她的离去因为他已使她最美好的时光付给自己管它什么X-Y的轨迹曾嫁给我就证明了我的胜利 这就是所谓的神圣的“学习过程”！ SNN的基本概念 序参量 伴随向量 学习 侧抑制 SNN原理图 网络学习 实质上是求伴随向量过程 伴随向量满足： 序参量 根据正交关系得到： 网络竞争 竞争方程为： 系统终态 只有一个序参量获胜，即只识别 出一个模式 初始支撑最大的序参量获胜 原型模式 伴随模式 待识别模式 序参量演化曲线 GAO Jun. Parameters Optimization of Synergetic Recognition Approach. Chinese Journal of Electronics, 14(2):192-197, 2005 注意参数 国内外研究现状 国外：斯图加特大学，加州大学，日本广岛大学等等 国内：上海交大，合肥工大 我们的工作 深入研究了协同识别的理论问题； 研究了协同识别的关键技术，并提出了相应的方法； 开展了协同识别在生物特征识别中的应用基础研究 协同识别理论及其应用基础研究成果（04198） 深入研究了协同识别的理论问题，用协同学方法研究联想记忆，拓展了神经网络的统计力学方法；提出了改进的协同联想记忆网络模型；在系统的序参量层引入竞争机制，突破了传统的动力学构造方法，增强了系统的联想能力；在改进网络动力学性能的基础上，从网络势函数入手，分析了网络记忆容量与容错性的关系，明确指出容错性在解决识别问题中的物理意义以及重要性。 从协同学习算法、预处理与特征提取方法、序参量意义及其有效重构和识别参数优化及不平衡注意参数这四个方面研究了协同识别的关键技术，并提出了相应的方法。 开展了协同识别在生物特征识别中的应用基础