神经网络实用教程2.6 自组织神经网络模型与算法 (2).pptVIP

智能中国网提供学习支持 采用了自组织学习方法，从而具有自组织功能的网络即为自组织神经网络，如SOM网、CPN网以及ART网。 自组织学习（无监督学习、无导师学习） 1.采用有导师学习规则的神经网络要求对所学习的样本给出“正确答案”，以便网络据此判断输出的误差，根据误差的大小改进自身的权值，提高正确解决问题的能力。 .2 然而在很多情况下，人在认知过程中没有预知的正确模式，人获得大量知识常常是靠“无师自通”，即通过对客观事物的反复观察、分析与比较，自行揭示其内在规律，并对具有共同特征的事物进行正确归类。对于人的这种学习方式，基于有导师学习策略的神经网络是无能为力的。 3.自组织神经网络的无导师学习方式更类似于人类大脑中生物神经网络的学习，其最重要特点是通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构。这种学习方式大大拓宽了神经网络在模式识别与分类方面的应用。 自组织网络的自组织功能是通过竞争学习实现的。 * 2.6 自组织神经网络模型与学习算法 概述 自组织神经网络，又称为自组织竞争神经网络,特别适合于解决模式分类和识别方面的应用问题。 自组织神经网络属于前向神经网络类型，采用无导师学习算法， 自组织特征映射神经网络不仅能够像自组织竞争神经网络一样学习输入的分布情况，而且可以学习神经网络的拓扑结构。 概述 自组织竞争神经网络类型 自适应共振理论(Adaptive Resonance Theory，ART)网络 自组织特征映射(self-Organizing Map，SOM)网络 对传(Counter Propagation，CP)网络 协同神经网络(Synergetic Neural Network．SNN) 2.6.1 自组织特征映射神经网络结构 由芬兰学者Teuvo Kohonen于1981年提出 基本上为输入层和映射层的双层结构,映射层的神经元互相连接，每个输出神经元连接至所有输入神经元 I’m Teuvo Kohonen 2.6.1 自组织特征映射神经网络结构 竞争层 输入层 SOM神经网络结构 2.6.1 自组织特征映射神经网络结构 SOM神经网络平面示意图 竞争层 输入层 2.6.1 自组织特征映射神经网络结构 SOM神经网络立体示意图 竞争层 输入层  2.6.2自组织特征映射网络的学习算法 自组织特征映射学习算法原理 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响应的网络。 类似度准则 欧氏距离 2.6.2自组织特征映射网络的学习算法 自组织特征映射学习算法步骤 (1)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 (2)输入向量 把输入向量输入给输入层 (3) 计算映射层的权值向量和输入向量的距离 映射层的神经元和输入向量的距离，按下式给出 2.6.2自组织特征映射网络的学习算法 自组织特征映射学习算法步骤 (4) 选择与权值向量的距离最小的神经元 计算并选择使输入向量和权值向量的距离最小的神经元，把其称为胜出神经元并记为 ，并给出其邻接神经元集合。 (5)调整权值 胜出神经元和位于其邻接神经元的权值，按下式更新： (6)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(2)，进入下一轮学习 2.6.2自组织特征映射网络的学习算法 邻域函数 由邻域函数可以看到，以获胜神经元为中心设定了一个邻域半径，称为胜出邻域。学习初期，胜出神经元和其附近的神经元全部接近当时的输入向量，形成粗略的映射。 随着学习的进行而减小，胜出邻域变窄，胜出神经元附近的神经元数变少。因此，学习方法是一种从粗调整向微调整变化，最终达到预定目标的过程。 2.6.3 自组织网络学习算法的MATLAB实现 MATLAB中自组织神经网络的重要函数和基本功能 函 数 名 功 能 newsom() 创建一个自组织特征映射神经网络 plotsom() 绘制自组织特征映射网络的权值矢量 vec2ind() 将单值矢量组变换成下标矢量 compet() 竞争传输函数 midpoint() 中点权值初始化函数 learnsom() 自组织特征映射权值学习规则函数 2.6.3 自组织网络学习算法的MATLAB实现 MATLAB中自组织神经网络的重要函数和基本功能 newsom() 功能 创建一个自组织特征映射网络函数 格式 net = newsom(PR，[D1，D2，...]，TFCN，DFCN，OLR，OSTEPS，TLR，TND) 说明 net为生成的新BP神经网络；PR为网络输入矢量取值