《计算智能与深度学习》_2神经网络-8双向网络.pptVIP

11对传网络网络结构（两层结构）第一层为科荷伦层，采用无指导的训练方法对输入数据进行自组织竞争的分类或压缩;第二层称为格劳斯贝格层。第一层的激活函数为二值型硬函数，而第二层为线性激活函数。

21)对于科荷伦层(第一层)的输出有：二值型硬函数2)对于格劳斯贝格层(第二层)，具有目标矢量G，此时，从前层输出的K为它的输入，输出为：线性激活函数CPN的网络结构如图所示：

32学习法则1)在科荷伦层(第一层)，通过竞争对获胜节点采用科荷伦规则调整与其相连的权矢量：2)在格劳斯贝格层(第二层)，对于在科荷伦层输出为1的输入相连的权值进行如下的调整：

43训练过程1.初始化：归一化处理：输入矢量P和目标矢量G；(P,G要给定）对权矢量W1和W2进行归一化随机取值；选取最大循环次数、学习速率lr1和lr2。2.科荷伦层的无指导训练过程：重复对输入的样本进行竞争计算，对获胜的科荷伦层获胜节点按科荷伦法对于其连接的权矢量进行修正；3.格劳斯贝格层有指导的训练过程：寻找输出为1的节点，并对与该节点相连的权矢量进行修正；4.检查最大循环的数是否达到，是，停止训练，否，则转入2。

5经过充分训练后的CPN可使:科荷伦层(第一层)权矢量收敛到相似输入矢量平均值，格劳斯贝格层(第二层)权向量收敛到目标矢量(平均值)当CPN训练后工作时，只要对网络输入一矢量X，则在科荷伦层经过竞争后产生获胜节点，并在格劳斯贝格层使获胜节点所产生的信息向前传送，在输出端得到输出矢量Y这种由矢量X得到矢量Y的过程有时也称为异联想，更广泛地说，它实现了一种计算过程。

6当训练CPN使其格劳斯贝格层的目标矢量G等于科荷伦层的输入矢量P时，则可实现数据压缩。具体做法是：首先,训练CPN使G=P，然后，将输入数据输入CPN，在科荷伦层输出得到0，1数据，这些数据为输入的压缩码。解码时，将在科荷伦层压缩的0，1码送入格劳斯贝格层，在其输出端对应得到解压缩的矢量。