对偶传播神经网络课件.pptx

對偶傳播神經網路1987年，美國學者RobertHecht-Nielsen提出對偶傳播神經網路模型(Counter-PropagationNetwork，縮寫為CPN)

對偶傳播網路4.4.1網路結構與運行原理

X＝(x1,x2,…,xn)TY＝(y1,y2,…,ym)T，yi∈{0,1}，i=1,2,…,mO＝(o1,o2,…,ol)Td＝(d1,d2,…,dl)TV=(V1,V2,…,Vj,…,Vm)W=(W1,W2,…,Wk,…,Wl)對偶傳播神經網路網路各層的數學描述如下：

對偶傳播神經網路CPN網運行過程

4.4.2CPN的學習演算法第一階段用競爭學習演算法對輸入層至隱層的內星權向量進行訓練，步驟如下：(1)將所有內星權隨機地賦以0～1之間的初始值，並歸一化為單位長度，訓練集內的所有輸入模式也要進行歸一化。(2)輸入一個模式Xp，計算淨輸入netj=，j=1,2,…,m。(3)確定競爭獲勝神經元。(4)CPN網路的競爭演算法不設優勝鄰域，因此只調整獲勝神經元的內星權向量，調整規則為(5)重複步驟(2)至步驟(4)直到下降至0。需要注意的是，權向量經過調整後必須重新作歸一化處理。對偶傳播神經網路

4.4.2CPN的學習演算法第二階段採用外星學習演算法對隱層至輸出層的外星權向量進行訓練，步驟如下：(1)輸入一個模式對Xp,dp，計算淨輸入netj=，j=1,2,…,m，(2)確定競爭獲勝神經元，使(4.17)(3)調整隱層到輸出層的外星權向量，調整規則為(4.18)ok由下式計算(4.19)(4.20)對偶傳播神經網路

4.4.2CPN的學習演算法(4.18)(4.20)外星權向量調整規則:(4.21)(4)重複步驟(1)至步驟(3)直到下降至0。對偶傳播神經網路

4.4.3對偶傳播神經網路4.4.3.1雙獲勝節點CPN網

4.4.3.2雙向CPN網Y=f(X)X’=f(Y’)當向網路輸入(X,0)時，網路輸出為(Y,0)；當向網路輸入(0,Y’‘)時，網路輸出為(0,X’)，當向網路輸入(X,Y’)時，網路輸出為(Y,X’)。

4.4.4CPN網路的應用