智能信息处理自组织特征映射神经网络.pptxVIP

自组织特征映射神经网络目录基本概念拓扑结构学习算法发展应用01基本概念自组织特征映射网络的基本概念1981年，科霍恩（Kohonen）教授提出一种自组织特征映射网（Self-Organizing feature Map，简称SOM，又称Kohoen网）。科霍恩认为，一个生物神经网络在接受外界输入模式时，将会分为不同的对应区域，各区域对输入模式具有不同的响应特征，而且这个过程是自动完成的。以此为基础，科霍恩创建了SOM。侧抑制现象：这种侧抑制使神经细胞间呈现出竞争，一个兴奋程度最强的神经细胞对周围神经细胞有明显的抑制作用，其结果使其周围神经细胞兴奋减弱，从而该神经细胞是这次竞争的“胜者”，而其他神经细胞在竞争中失败。SOM经训练后，其竞争层神经元功能类似的相互靠近，功能不同的交互较远，这与生物神经网络的组织结构非常类似。概念提出生物学基础自组织特征映射网络的运行原理SOM网的训练阶段训练阶段 1、在训练开始阶段，竞争层哪个位置的神经元将对哪类输入模式产生最大响应是不确定的。当输入模式的类别改变时，二维平面的获胜神经元也会改变。在获胜神经元周围的领域内的所有神经元的权向量均向输入向量的方向作不同程度调整，调整力度依邻域节点与获胜节点的远近而逐渐衰减。 2、网络通过自组织方式，用大量训练样本调整网络的权值，最后使输出层各神经元成为对特定模式类敏感的神经网络。从而竞争层各神经元的连接权向量的空间分布能够正确反映输入模式的空间概率分布。自组织特征映射网络的运行原理SOM网的工作阶段工作阶段 SOM网训练结束后，输出层各节点与输入模式类的特定关系就固定下来，因此可用作模式分类器。当输入一个模式时，网络输出层代表该模式类的特定神经元将产生最大响应，将该输入自动归类。当输入模式不属于网络训练时见过的任何模式时，SOM网将它归入最接近的模式类。02网络结构自组织特征映射网络拓扑结构SOM拓扑结构 自组织特征映射网络的拓扑结构分为两层：输入层和输出层（竞争层）。SOM拓扑结构不包括隐含层。 输入层为一维。竞争层可以是一维、二维或多维。其中二维竞争层由矩阵方式构成，二维竞争层的应用最为广泛。 SOM中有两种连接权值，一种是神经元对外部输入反应的连接权值，另外一种是神经元之间的特征权值，它的大小控制着神经元之间交互作用的强弱。自组织特征映射网络拓扑结构SOM拓扑结构图SOM拓扑结构的优势 SOM结构特点与其他网络的区别：它不是一个神经元或者一个神经元向量来反映分类结果，而是以若干神经元同时反映分类结果。 神经网络对学习模式的记忆不是一次性完成的。而是通过反复学习，将输入模式的统计特征“溶解”到各个连接权上的。3124 对SOM而言，一旦由于某种原因，某个神经元受到损害（在实际应用中，表现为连接权溢出，计算误差超限、硬件故障等）或者完全失效，剩下的神经元仍然可以保证所对应的记忆信息不会消失。 自组织特征映射网具有很强的抗干扰性03学习算法自组织特征映射网学习算法学习算法自组织特征映射网络采用的学习算法成为科霍恩算法，与胜者为王算法相比，其主要区别在于调整权向量与侧抑制的方式不同。胜者为王算法的调整是封杀式的。SOM网的获胜神经元对其临近的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不同程度的调整权向量。自组织特征映射网学习算法初始化对输出层各权向量赋值小随机数，并进行归一化处理。建立初始优胜邻域；学习率赋初始值。.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。.12寻找获胜神经元计算输入模式与内星权向量的点积，从中选出点积最大的获胜神经元。.定义优胜邻域以获胜神经元为中心确定t时刻的权值调整域，一般初始邻域N较大，训练过程中N随着训练时间逐渐收缩。。.345调整权值对优胜邻域内所有神经元调整权值。.?结束检查SOFM网的训练不存在类似BP网中输出误差概念，因为是非监督学习，训练何时结束时以学习速率η（t）是否衰减到0或某个预定的正小数为条件，不满足结束条件则回到步骤（2）。.604发展应用自组织特征映射网络的发展应用发展应用 自提出以来，自组织特征映射网得到快速发展和改进，目前广泛应用于样本分类、排序和样本检测等方面，和工程、金融、医疗、军事等邻域，并成为其他人工神经网络的基础。谢谢此页为节标题页面此页为节标题页面此页为节标题页面此页为节标题页面