SOM自组织映射学习汇报.pptx

九逸作品;我学到了什么;自组织神经网络;;竞争学习： 网络的输出神经元之间相互竞争以求被激活，结果在每一时刻只有一个输出神经元被激活。这个被激活的神经元称为竞争获胜神经元，而其它神经元的状态被抑制，称为WTA（Winner-Take-All）。 ;学习规则： 1.向量归一化。首先将当前输入模式向量X和竞争层中各神经元对应的向量Wj 全部进行归一化处理。 2.寻找获胜神经元。当网络得到一个输入模式向量时，竞争层的所有神经元对应的权向量均与其进行相似性比较，并将最相似的内权向量判为竞争获胜神经元。 3.网络输出与权值调整。 4.重新向量归一化。;用竞争学习算法将下列各模式分为2类： 输入向量为：;竞争学习 X1学习 d1=||X1-W1(0)||=1∠36.89°, d2=||X1-W2(0)||=1∠216.89° d1d2,所以神经元1获胜，W1调整 W1(1)=W1(0)+a(X1-W1(0))=1∠18.43 ° W2(1)=W2(0)=1∠-180 °;;;;;;;;;;;;我学到了什么;SOM;SOM; SOM算法是一种无导师的聚类法，他能将任意维输入模 在输出层映射成一维或者二维离散图形，并保持其拖布结构 不变，即在无导师的情况下，通过对输入模式的自组织学习， 在竞争层将分类结果表示出来。此外，网络通过对输入模式 的反复学习，可以使连接权值空间分布密度与输入模式的概 率分布趋于一致，即链接权向量空间分布能反应输入模式的 统计特征。 ; SOM算法是一个竞争-合作的过程。 1.竞争。对于输入模式，网络中的神经元计算他们各自 判别函数的值。这个判别函数对神经元之间的竞争提供基础， 具有判别函数最优值（在欧式距离中是最小值）的特定神经 元成为竞争的胜利者。 2.合作。获胜神经元的的相邻神经元的是合作的基础。 神经元决定兴奋神经元的拓扑邻域的空间位置，从而提供这 样的相邻神经元的合作的基础。 3.突出调节。最后的这个机制使神经元通过对他们突触 权值的调节以增加他们的关于该输入模式的判别的函数值。 所做的调节使获胜神经元对以后相似输入模式的响应增强了。;SOM算法步骤;SOM算法步骤;SOM算法步骤; SOM算法在修正神经元的时候，同时要修正获胜神经元 的附近区域Ni(d)内所有的神经元。 Ni(d)={j,dij=d} ;SOM算???步骤;解释：可以用两种方式来解释SOM算法。 首先，因为在训练阶段，整个邻域的权值向着相同的方向靠近，所以类似的项目趋向于刺激邻近的神经元。因此，SOM形成了一个使相同样本靠近，不同样本分离的语义映射。这样，SOM便实现了分类的过程。 其次，可以考虑神经元的权值作为输入空间的指针，形成了一个训练样本分布的离散近似值。更多的神经元指向了高度训练的样本集中的区域。;性质：输入空间的近似 对于V空间中的向量v，首先根据特征映射Φ确定在输出空间A中最佳的匹配单元S，S的权重向量Ws可视为S投影到输入空间的坐标。通过不断调整权重矩阵，是输出空间A近似的表示输入空间V。;SOM功能分析 1.保序映射：将输入空间的样本模式类有序地映射 在输出层上。 2.数据压缩：将高维空间的样本在保持拓扑结构不变的条件下投影到低维空间。在SOM中，无论输入空间样本有多少维，都可以在SOFM输出层的某个区域得到响应。 3.特征抽取：高维空间的向量经过特征抽取后可以在低维特征空间更加清晰地表达。 ;我学到了什么; An Improved Neural Architecture for Gaze Movement Control in Target Searching 论文是对于原来的Neural Architecture for Gaze Movement Control in Target Searching的改进。; 论文在第三层和第四层之间增加了一个新的Movement Coding Neuron,以便更好地实现gaze motion estimation and control。 原来结构的缺点是，第三层所有的大反应神经元向第四层中运动控制神经元传输了权值响应，从而参与了凝视运动的合成 。然而，这些大反应神经元可能产生不同的运动估计量的分组。谈及分组链接权值时，要对这些神经元的运动估计进行分辨及分类，有必要在第四层把这些神经元对应着运动控制神经元组织起来。;我学到了什么;1.对于An Improved Neural Architecture for Gaze Movement Control in Target Searching详细解读。 2.对于Self-Organizing Neural