MATLAB神经网络分析及应用 课件 8竞争型神经网络分析与应用.pptxVIP

第8章竞争型神经网络分析与应用

8.1竞争型神经网络竞争型神经网络的特点是能将输入数据中隐含的特征抽取出来，自动进行学习。网络通过自身训练，自动对输入模式进行分类。竞争型神经网络在结构上一般是由输入层和竞争层构成的两层网络。两层之间各神经元实现双向全连接，没有隐藏层，有时竞争层各神经元之间还存在横向连接。竞争型神经网络对模式分类的网络结构图如图8-1所示。在竞争神经网络中，输出层又被称为核心层。在一次计算中，只有一个输出神经元节节胜利，获胜的神经元标记为1，其余神经元均标记为0，即“胜者为王，败者为寇”。起始，输入层到核心层的权值是随机给定的，因此每个核心层神经元获胜的概率相同，但最后会有一个兴奋最终的神经元。兴奋最强神经元“战胜”了其他神经元，在权值调制中其兴奋程度得到进一步加强，而其他神经元则保持不变。竞争神经网络通过这种竞争学习的方式获取训练样本的分布信息，每个训练样本都对应一个兴奋的核心层神经元，也就是对应一个类别，当有新样本输入时，就可以根据兴奋的神经元进行模式分类。

【例8-1】演示应用竞争学习。解析：竞争层中的神经元可通过学习来表示输入向量在输入空间中出现的不同区域。比如P是一组随机生成但聚类的测试数据点。下面绘制了这些数据点。%竞争网络将用于将这些点分成若干自然类%输入向量X.bounds=[01;01];%聚类中心位于这些边界内clu