智能信息处理自组织特征映射神经网络.pptxVIP

自组织特性映射神经网络

1

目录

基本概念

拓扑构造

发展应用

学习算法

01

基本概念

自组织特性映射网络基本概念

自组织特性映射网络运行原理

1、在训练开始阶段，竞争层哪个位置神经元将对哪类输入模式产生最大响应是不确定。当输入模式类别变化时，二维平面获胜神经元也会变化。在获胜神经元周围领域内所有神经元权向量均向输入向量方向作不一样样程度调整，调整力度依邻域节点与获胜节点远近而逐渐衰减。

SOM网训练阶段

训练阶段

2、网络通过自组织方式，用大量训练样本调整网络权值，最终使输出层各神经元成为对特定模式类敏感神经网络。从而竞争层各神经元连接权向量空间分布可以对旳反应输入模式空间概率分布。

自组织特性映射网络运行原理

SOM网训练结束后，输出层各节点与输入模式类特定关系就固定下来，因此可用作模式分类器。当输入一种模式时，网络输出层代表该模式类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任何模式时，SOM网将它归入最靠近模式类。

SOM网工作阶段

工作阶段

02

网络构造

自组织特性映射网络拓扑构造

自组织特性映射网络拓扑构造分为两层：输入层和输出层（竞争层）。

SOM拓扑构造不包括隐含层。

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连接权值，此外一种是神经元之间特性权值，它大小控制着神经元之间交互作用强弱。

SOM拓扑构造

自组织特性映射网络拓扑构造

SOM拓扑构造图

SOM拓扑构造优势

1

3

2

4

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，体现为连接权溢出，计算误差超限、硬件故障等）或者完全失效，剩余神经元仍然可以保证所对应记忆信息不会消失。

自组织特性映射网具有很强抗干扰性

神经网络对学习模式记忆不是一次性完毕。而是通过反复学习，将输入模式记录特性“溶解”到各个连接权上。

SOM构造特点与其他网络辨别：它不是一种神经元或者一种神经元向量来反应分类成果，而是以若干神经元同步反应分类成果。

03

学习算法

自组织特性映射网学习算法

学习算法

自组织特性映射网络采用学习算法成为科霍恩算法，与胜者为王算法相比，其重要辨别在于调整权向量与侧克制方式不一样样。胜者为王算法调整是封杀式。SOM网获胜神经元对其临近神经元影响是由近及远，由兴奋逐渐转变为克制，因此其学习算法中不仅获胜神经元自身要调整权向量，它周围神经元在其影响下也要不一样样程度调整权向量。

自组织特性映射网学习算法

1

3

5

2

4

6

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。.

寻找获胜神经元

计算输入模式与内星权向量点积，从中选出点积最大获胜神经元。.

调整权值

对优胜邻域内所有神经元调整权值。.

接受输入

从训练集中随机选用一种输入模式并进行归一化处理。.

定义优胜邻域

以获胜神经元为中心确定t时刻权值调整域，一般初始邻域N较大，训练过程中N伴随训练时间逐渐收缩。。.

结束检查

SOFM网训练不存在类似BP网中输出误差概念，由于是非监督学习，训练何时结束时以学习速率η（t）与否衰减到0或某个预定正小数为条件，不满足结束条件则回到环节（2）。.

04

发展应用

自组织特性映射网络发展应用

自提出以来，自组织特性映射网得到迅速发展和改善，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基础。

发展应用

谢谢大家！

ThankYou！