竞争学习神经网络.pptxVIP

会计学;第四章 自 组织神经网络;4.1竞争学习的概念与原理;如何决定相似度、类别数等 2、相似性测量＿欧式距离法;;;竞争学习原理;竞争学习原理;（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内星权向量Wj 全部进行归一化处理； (j=1,2,…,m);;此式就是竞争层神经元的净输入。;2、竞争学习原理 考虑二维情况，归一化后矢端分布在单位圆上，以o表示，对应的内星向量也在单位圆上，以*表示。;;例4.1 用竞争学习算法将下列各模式分为2类：;;;;;;;;;;;;;网的生物学基础;网的拓扑结构及权值调整域;二、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。;自组织特征映射网的运行原理与学习算法;;二、学习算法;;;;三、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4.2：动物属性特征映射。;;(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4.3 SOM网用于字符排序;;4.3 自组织特征映射网络的设计与应用; 一种简单办法是从训练集中随机抽取m个输入样本作初始为权值，即 另一种是计算全体样本的中心向量，在此基础上叠加小的随机数确定。 三、优胜邻域Nj*(t)的设计 原则上使邻域不断缩小，使得相邻神经元既有区别又具相似性。邻域大小用邻域半径表示，一般由经验选取。如：;四、学习率的设计 开始时可以较大，但很快下降，然后缓降至0值。如下：;设计与应用实例一、SOM网用于物流中心城市分类评价 ;;(2)物流中心城市的分类和评价分析 ;;二、SOM网用于遥感影像分类  遥感影像主要通过像元亮度值的差异或空间梯度变化表示不同地物间的差异。 1、土地利用分类类别确定 以浙江为例。 评价因子7个??水体、林地、水田、茶园、旱地、居民地、桑园。 2、数据预处理 3、SOM分类 4、实验结果评价 与BP网络、最大似然法比较，SOM最好，最大似然法最差。;;;1. 初始权向量设计 随机取部分样本作为权重初值。;;4.皮革纹理分类结果 100张猪皮的分类结果：;5. 用于火焰燃烧诊断 1) 燃烧工况特征提取 2）网络训练 3）网络验证;4.4 自适应共振理论(ART);1976年，美国Boston大学学者提出自适应共振理论(Adaptive Resonance Theory，缩写为ART)，他多年来一直试图为人类的心理和认知活动建立统一的数学理论，ART就是这一理论的核心部分。随后又与S.Grossberg提出了ATR网络。目前ART已有三种形式： ART I：双极型或二进制信号 ART II：I型扩展，处理连续模拟信号 ART III：兼容前2种，可处理多层网络;共振现象;ART网络学习算法的基本流程;C —— 比较层 R —— 识别层 Reset ——复位信号 G1和G2 ——逻辑控制信号;(1)C 层结构 该层有n个节点，每个节点接受来自3个方面的信号： 来自外界的输入信号xi； 来自R 层获胜神经元的外星向量的返回信号Tj； 来自G1的控制信号。 C 层节点的输出ci是根据2/3的“多数表决”原则产生的，即输出值ci与xi、tij 、G1 3个信号中的多数信号值相同。 G1=1，反馈回送信号为0，C层输出应由输入信号决定，有C=X。 反馈回送信号不为0，G1=0，C层输出应取决于输入信号与反馈信号的比较情况，如果xi= t*ij ，则ci=xi。否则ci=0。;（2）R层结构 R 层有m 个节点，用以表示m 个输入模式类。m可动态增长，以设立新模式类。 由C 层向上连接到R 第j 个节点的内星权向量用Bj=（b1j，b2j，…,bnj）表示。 C 层的输出向量C 沿m个内星权向量Bj(j=1,2,…,m)向前传送，到达R 层各个神经元节点后经过竞争产生获胜节点j*，指示本次输入模式的所属类别。 获胜节点输出rj*=1，其余节点输出为0。R 层每个神经元对应两个权向量Bj和Tj，该向量是对应R层各模式类节点的典型向量。;(3)控制信号 控制信号G2的作用是检测输入模式X 是否为