讲解类神经网路.pptVIP

第六章 自組性類神經網路;6;第一節 序論;自組性類神經網路;分別於 1980 年代前後期由Kohonen（1982, 1986）提出 大量應用於影像、語音辨識（Kohonen 1988; Kangas 1991; Lapidot 等人 2002）； 機器人學習（Ritter 等人 1992）； 手寫數字辨識系統（Cho 1997）； 皮質層模型（Kohnen 1995）等 。;第二節 生物大腦皮質的特徵映射概念;人腦接受不同外來刺激示意圖 ;更快速反應外界刺激 特徵映射以平行處理來進行，因此能迅速的處理大量資訊，符合神經系統必須能快速反應外界刺激的需求。 更容易存取儲存在網路中的資訊 特徵映射以簡單的方式提供使用者對所需要的資訊於網路中作快速存取。 更有效率處理外界資訊 以相同的映射方式處理不同的特徵或是外界刺激，使神經網路更有效率。 ;首先由 Kohonen 提出，屬於前饋式、非監督式神經網路 以特徵映射的方式，將任意維度的輸入向量，映射至較低維（度）的特徵映射圖上 ;;自組織特徵映射的過程也是一個聚類的過程 SOM可視為聚類演算法（clustering algorithm）的一種。 可將一群未經標示的樣本，透過此演算法，從中尋找某些相似的特性，然後再將這些具有相似特性的樣本聚集成一類。 ;輸入層 用以表現網路的輸入變數，即訓練範例的輸入向量，或稱特徵向量，其處理單元數目依問題而定，每一個處理單元代表著輸入向量的每一個元素，亦即該輸入資料所擁有的特徵。 ;網路架構圖;對於 N 個維度的輸入值，以 X 表示輸入向量 ;競爭式學習法則 每筆輸入向量都必須尋找其對應的優勝神經元，即與該輸入向量最近似的神經元，進而調整該神經元的連結權重。;計算距離，並選取出優勝神經元 ; 神經元間有著鄰近關係，讓優勝的神經元在進行連結權重調整時，也會將這樣的訊息傳遞給鄰近的神經元，讓鄰近的神經元也隨著進行連結權重調整，如此有助於網路神經元間的拓樸映射關係。;設定神經元間的鄰近關係之參數包括;設定神經元間的鄰近關係之參數包括;拓樸層間鄰近神經元及鄰近半徑遞減示意圖 ;;? ;;;1980 年代即有人提出（Linde 等人 1980；Gray 1984; Nasrabadi 和 King 1988; Luttrell 1989） 主要目的是用於資料的壓縮 希望以較少的群集來表示整個輸入樣本空間 依據多筆輸入樣本的空間分布情形，量化成數目較少的參考向量，每個參考向量各自涵蓋特徵空間中的一塊區域 每一筆輸入向量都可以各自映射到距離自己最近的特徵空間中，並且以該空間中的參考向量當作輸出，以做到壓縮資料的目的 向量量化的演算模式也具有群集分類的效果，也是屬於競爭式學習 ; Kohonen 於 1986 年時，以向量量化為基礎發展了學習向量量化（Learning Vector Quantization，LVQ）神經網路，該網路最大的特色在於它是屬於監督式學習 ;LVQ演算方法;;1980 年代即有人提出（Linde 等人 1980；Gray 1984; Nasrabadi 和 King 1988; Luttrell 1989）;手寫數字辨識上，同一數字每個人寫出來不盡相同，在SOM聚類過程中，常發生分類錯誤的情形 ? 為克服聚類上映射錯誤的情形，結合LVQ以改善此種狀況！;第六節 應用實例;? ;;? ;;;;;? ;;;第七節 SOM之其他應用 ;為了研究氣候變化對耗電量的影響，Beccali（2004）結合了非監督式學習（SOM）與監督式學習（BP）的類神經網路，用來預測未來 24 小時的都市近郊電力負載。採用了 2001 ~ 2003 年氣象資料如：溫度，相對濕度，太陽輻射等，及供應給義大利巴勒莫鎮（Palermo）電力負載歷史資料，做為類神經網路之訓練資料。;在醫學領域裡，常見的X射線（X-RAY）、電腦斷層造影（CT）、磁振造影（MRI）、正子斷層造影（Positron Emission Tomography，PET）等，皆為輔助醫師診斷疾病的有力工具，特別是若將MRI、PET、CT等影像資訊彼此互補，做一校準動作並重疊顯示，即「醫療影像校準」，可獲得更多更精確的資料，提高病症辨識率。近年來將SOM類神經網路其聚類的特??應用於醫療影像比對和影像校準的研究也如雨後春筍，多不勝數，又近十年來電腦硬體技術的突飛猛進，現今己經可運用於臨床上。。;本章重點回顧;本章習題; 試說明監督式學習與非監督式學習的不同，並各舉一代表性的類神經網路。 ;