- 1、本文档共2页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
1.LVQ 神经网路的学习算法
LVQ 神经网络算法是在有教师的状态下对竞争层的一种学习算法,因此LVQ 算法可以认为是
自组织特征映射算法改良成有教师学习的算法。LVQ 神经网络算法可以分为LVQ1 算法和
LVQ2 算法两种。
(1)LVQ1 算法
向量量化是利用输入向量的固有结构进行数据压缩的技术,学习向量量化是在向量量化
的基础上能将输入向量分类的监督学习技术。Kohonen 把自组织特征映射算法改良成有教师
学习算法,首先设计了LVQ1 算法。LVQ1 算法的训练过程开始于随机地自“标定”训练集合
选择一个输入向量以及该向量的正确类别。
LVQ1 算法的基本思想是:计算距离输入向量最近的竞争层神经元,从而找到与之相连
接的线性输出神经元,若输入向量的类别与线性输出层神经元所对应的类别一致,则对应的
竞争层神经元权值沿着输入向量的方向移动;反之,若两者的类别不一致,则对应的竞争层
神经元权值沿着输入向量的反方向移动;基本的LVQ1 算法的步骤为:
步骤 :初始化输入层与竞争层之间的权值 及学习率 。
1 ij >0
步骤2:将输入向量 T 送入到输入层,计算竞争层神经元与输入向量的
x x ,x ,x
1 2 R
距离:
R
di x j ij 2 i 1,2,,S1
j 1
式中, 为输入层神经元j与竞争层的神经元i之间的权值。
ij
步骤3:选择与输入向量距离最小的竞争层神经元,若di 最小,则记与之连接的线性输
出神经元的类标签为Ci 。
步骤4:记输入向量对应的类标签为Cx,若Ci=Cx,则用如下方法调整权值:
ij _new ij _old x ij _old
否则,按如下方法进行权值更新:
ij _new ij _old x ij _old
(2)LVQ2 算法
在LVQ1 算法中,只有一个神经元可以获胜,即只有一个神经元的权值可以得到更新调
整。为了提高分类的正确率,Kononen 改进了LVQ1 算法,称之为LVQ2 算法。LVQ2 算法基
于光滑的移动决策边界逼近Bayes 极限。LVQ2 版本接着被修改产生LVQ2.1,并且最终发展
为LVQ3。这些后来的LVQ 版本的共同特点是引入了 “次获胜”神经元,获胜神经元权值向
量和 “次获胜”神经元的权值向量都更新。具体计算步骤如下:
步骤1:利用LVQ1 算法对所有输入模式进行学习。
步骤2:将输入向量 T 送入到输入层,并根据
x x ,x ,x
1 2 R
R
di x j ij 2 i 1,2,,S1计算竞争层与输入向量的距离。
j 1
步骤3:选择与输入向量距离最小的两个竞争层神经元i,j。
步骤4:如果神经元i 和神经元j 满足以下两个条件:
神经元 i 和j 对应不同的类别
神经元 i 和j 与当前的输入向量的距离di 和dj 满足下式
d d
i j
min , >
文档评论(0)