自组织神经网络概述.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * Sphere——球面 用球面状样本训练SOM网络 Twist——扭转 用蝴蝶状样本训练SOM网络 Parabola——抛物面 用抛物面样本训练SOM网络 Cubic——三次曲线 用三次曲线状样本训练SOM网络 Cosine——余弦 用余旋状样本训练SOM网络 * * * * * * * * * * * * * * * * * * * * * * * * * SOM网的拓扑结构 SOM网共有两层，输入层模拟感知外界输入信息的视网膜，输出层模拟做出响应的大脑皮层。 SOM网的权值调整域 SOM网的获胜神经元对其邻近神经元的影响是由近及远，由兴奋逐渐转变为抑制，因此其学习算法中不仅获胜神经元本身要调整权向量，它周围的神经元在其影响下也要程度不同地调整权向量。这种调整可用三种函数表示： SOM网的权值调整域 以获胜神经元为中心设定一个邻域半径，该半径圈定的范围称为优胜邻域。在SOM网学习算法中，优胜邻域内的所有神经元均按其离开获胜神经元的距离远近不同程度地调整权值。 优胜邻域开始定得很大，但其大小随着训练次数的增加不断收缩，最终收缩到半径为零。 SOM网的运行原理 训练阶段 w1 w2 w3 w4 w5 SOM网的运行原理 工作阶段 SOM网的学习算法 (1)初始化 对输出层各权向量赋小随机数并进行归一化处理，得到 ，j=1,2,…m；建立初始优胜邻域Nj*(0)；学习率? 赋初始值。 (2)接受输入 从训练集中随机选取一个输入模式并进行归一化处理，得到 ，p?{1,2,…,P}。 (3)寻找获胜节点 计算 与 的点积，j=1,2,…m，从中选出点积最大的获胜节点j*。 (4)定义优胜邻域Nj* (t) 以j*为中心确定t 时刻的权值调整域，一般初始邻域Nj* (0)较大，训练过程中Nj* (t)随训练时间逐渐收缩。 Kohonen 学习算法 Kohonen学习算法 SOM网的学习算法 (5)调整权值 对优胜邻域Nj*(t)内的所有节点调整权值： i=1,2,…n j?Nj*(t) 式中， 是训练时间t 和邻域内第j 个神经元与获胜神经元 j* 之间的拓扑距离N 的函数，该函数一般有以下规律： Kohonen学习算法 SOM网的学习算法 (5)调整权值 (6)结束检查 学习率是否衰减到零或某个预定的正小数？ Kohonen学习算法 SOM网的学习算法 Kohonen学习算法程序流程 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。 例1：动物属性特征映射。 功能分析 (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。 (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。 例2：SOM网用于字符排序。 功能分析 SOM网在皮革配皮中的应用 要生产出优质皮衣，必须保证每件皮衣所用皮料在颜色和纹理方面的相似性。在生产中，通常由有经验的工人根据皮料颜色、纹理的相近程度进行分类。这道称为“配皮”的工序，因光照条件、工人经验不同以及情绪、体力等因素变化的影响，质量难于保证。 计算机皮革检测与分类系统可对成批皮革的颜色及纹理进行在线检测、特征值提取及快速分类，从而代替了传统的手工操作，取得了良好的效果。 系统硬件组成 CCD 彩 色 摄像机 解码器（PAL) 图 像 采集卡 及 帧 存 储 器 计算机 486/66 彩 色 监视器 打印机 标准灯箱 皮革 皮料传送带 D65光源 基于SOM神经网络的皮革聚类 1. 颜色纹理特征提取 颜色参数: CIE1996均匀颜色空间值 l*, a*, b* 纹理参数: 梯度均值μ2, 梯度标差 σ2 , 及梯度墒T8。 皮革外观由６维输入矢量 I = [l*, a*, b*, μ2 ,σ2 ,T8] 描述 2. SOM 神经网络的设计 网络结构: 6输入1维线阵输出。 聚类时每批100张皮，平均每件皮衣需要5～6张皮，因此将输出层设置20个神经元。每个神经元代表一类外观效果相似的皮料，如果聚为一类的皮料不够做一件皮衣，可以和相邻类归并使用。 基于SOM神经网络的皮革聚类 3.网络参数设计 N j* (t) 优胜邻域在训练开始时覆盖整个输出线阵，以后训练次数每增加Δt =tm/P，Nj*(t)邻域两端各收缩一个神经元直至邻域内只剩下获胜神经元。