MATLAB神经网络应用设计-(10).pptVIP

第10章 自组织映射与学习向量量化神经网络 MATLAB神经网络应用设计-(10)全文共14页，当前为第1页。 本章要点 自组织映射神经网络学习 自组织映射神经网络设计实例 学习向量量化神经网络学习 学习向量量化神经网络设计实例 MATLAB神经网络应用设计-(10)全文共14页，当前为第2页。 组织映射（Self-Organizing Maps, SOM）算法作为一种聚类和高维可视化的无监督学习算法，是通过模拟人脑对信号处理的特点而发展起来的一种人工神经网络。该模型由芬兰赫尔辛基大学教授Teuvo Kohonen于1981年提出后，现在己成为应用最广泛的自组织神经网络方法，其中的WTA（Winner Takes All） 竞争机制反映了自组织学习最根本的特征。 MATLAB神经网络应用设计-(10)全文共14页，当前为第3页。 10.1 自组织映射（SOM）神经网络 自组织映射神经网络采用无教师示MATLAB教学习方式，根据其特有的网络结构和学习规则，通过对输入模式的反复学习，捕捉住各个输入模式中所含的模式特征，井对其进行自组织，在竟争层将分类结果表现出来。与传统模式的聚类方法相比，它所形成的聚类中心能够映射到一个曲面或平面上，从而保持拓扑结构不变。 MATLAB神经网络应用设计-(10)全文共14页，当前为第4页。 10.1.1 SOM神经网络模型 SOM神经网络模型由处理单元、网络拓扑结构和学习规则组成。处理单元是神经网络的基本单元，用以模拟生物神经元的功能。一个处理单元有多个输入、输出路径，输入端模拟脑神经元的树突功能，起信息传递作用。输出端模拟脑神经元的轴突功能，将信息处理结果向外界输出。 MATLAB神经网络应用设计-(10)全文共14页，当前为第5页。 常用的SOM神经网络模型由输入层和输出层组成；输入层各神经元通过权向量将外界信息汇集到输出层的各神经元。输出层节点与输入层节点为全连接，输入层、输出层内部节点间没有连接关系。因为网络在学习中的竟争特性也表现在输出层上，所以输出层又可称为竟争层，而与输入神经元相连的权值及其输入合称为输入层。输出层内的每个神经元与其邻域连接，此连接是相互激励的关系，训练后输出层不同节点代表不同的分类模式，所以SOM的输出层也称特征映射层。输入层神经元的数量由分类衡量指标的个数决定。竟争层可以由一维或二维网络矩阵方式组成，下面具体介绍二维网络的结构。 MATLAB神经网络应用设计-(10)全文共14页，当前为第6页。 10.1.2 SOM神经网络的学习 自组织映射学习算法包含三个过程： 竞争 合作 更新 MATLAB神经网络应用设计-(10)全文共14页，当前为第7页。 10.2 SOM神经网络的设计实例 【例10-1】设计一个一维SOM神经网络，对100个分布在单位圆上的数据点进行分类。 MATLAB神经网络应用设计-(10)全文共14页，当前为第8页。 【例10-2】二维SOM神经网络。在例10-1中，SOM网络将输入向量分成不同的区域。在这个例子中，神经元会将自己排列成两个二维网格，而不是一条线。将1000个二维向量分类。 MATLAB神经网络应用设计-(10)全文共14页，当前为第9页。 10.3 学习向量量化（LVQ）神经网络 学习矢量量化（LVQ）算法是Kohonen提出的一种有监督的学习算法。学习矢量量化的英文全称是Learning Vector Quantization，简称为LVQ。在模式识别和优化领域有着广泛的的应用。 学习矢量量化（LVQ）神经网络允许对输入被分到哪一类进行指定，竞争层将自动学习对输入向量分类，同时LVQ算法建立的决策区是近似最优的，另外由于LVQ网络结构的特殊性，使得能够通过训练来识别由几个不连接区域构成的类，同时能以较小的计算量处理大量输入数据。 MATLAB神经网络应用设计-(10)全文共14页，当前为第10页。 10.3.1 LVQ神经网络模型 一个学习矢量量化（LVQ）网络有两个网络层： 第一层为竞争层； 第二层为线性层。 竞争层用于对输入向量进行分类；线性层将竞争层传递过来的分类信息转化为使用者所定义的期望类别。通常将竞争层学习得到的类成为子类，经线性层的类称为期望类别。 MATLAB神经网络应用设计-(10)全文共14页，当前为第11页。 10.3.2 LVQ神经网络的学习 LVQ神经网络的学习结合了竞争学习规则和有监督的学习方法，其训练样本集的输入向量和目标向量是成对出现的 。 10.3.3 LVQ学习算法的改进 LVQ学习算法的改进LVQ2是在LVQ的基础上进行的，它可以改善LVQ学习结果的性能。 LVQ2的学习过程与LVQ类似，在应用LVQ进行学习后，再用LVQ2进行学习，不同的是，LVQ2