1、第4章自組織特征映射神經(jīng)網(wǎng)絡(luò)生物學(xué)研究表明，在人腦的感覺(jué)通道上，神經(jīng)元的組織原理是有序排列的。當(dāng)外界的特定時(shí)空信息輸入時(shí)，大腦皮層的特定區(qū)域興奮，而且類似的外界信息在對(duì)應(yīng)的區(qū)域是連續(xù)映像的。生物視網(wǎng)膜中有許多特定的細(xì)胞對(duì)特定的圖形比較敏感，當(dāng)視網(wǎng)膜中有若干個(gè)接收單元同時(shí)受特定模式刺激時(shí)，就使大腦皮層中的特定神經(jīng)元開(kāi)始興奮，輸入模式接近，與之對(duì)應(yīng)的興奮神經(jīng)元也接近；在聽(tīng)覺(jué)通道上，神經(jīng)元在結(jié)構(gòu)排列上與頻率的關(guān)系十分密切，對(duì)于某個(gè)頻率，特定的神經(jīng)元具有最大的響應(yīng)，位置相鄰的神經(jīng)元具有相近的頻率特征，而遠(yuǎn)離的神經(jīng)元具有的頻率特征差別也較大。大腦皮層中神經(jīng)元的這種響應(yīng)特點(diǎn)不是先天安排好的，而是通過(guò)后天的

2、學(xué)習(xí)自組織形成的。據(jù)此芬蘭大學(xué)的教授提出了一種自組織特征映射網(wǎng)絡(luò)(,),又稱網(wǎng)絡(luò)1認(rèn)為，一個(gè)神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時(shí)，將會(huì)分為不同的對(duì)應(yīng)區(qū)域，各區(qū)域?qū)斎肽Ｊ接胁煌捻憫?yīng)特征，而這個(gè)過(guò)程是自動(dòng)完成的。網(wǎng)絡(luò)正是根據(jù)這一看法提出的，其特點(diǎn)與人腦的自組織特性相類似。4.1競(jìng)爭(zhēng)學(xué)習(xí)算法基礎(chǔ)64.1.1自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)1定義自組織神經(jīng)網(wǎng)絡(luò)是無(wú)導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)。它通過(guò)自動(dòng)尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)。2結(jié)構(gòu)層次型結(jié)構(gòu)，具有競(jìng)爭(zhēng)層。典型結(jié)構(gòu)：輸入層競(jìng)爭(zhēng)層。如圖4-1所示。競(jìng)爭(zhēng)層輸入層圖4-1自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)輸入層：接受外界信息，將輸入模式向競(jìng)爭(zhēng)層傳遞，起“觀察”作用。

3、競(jìng)爭(zhēng)層：負(fù)責(zé)對(duì)輸入模式進(jìn)行“分析比較”，尋找規(guī)律，并歸類。4.1.2自組織神經(jīng)網(wǎng)絡(luò)的原理1分類與輸入模式的相似性分類是在類別知識(shí)等導(dǎo)師信號(hào)的指導(dǎo)下，將待識(shí)別的輸入模式分配到各自的模式類中，無(wú)導(dǎo)師指導(dǎo)的分類稱為聚類，聚類的目的是將相似的模式樣本劃歸一類，而將不相似的分離開(kāi)來(lái)，實(shí)現(xiàn)模式樣本的類內(nèi)相似性和類間分離性。由于無(wú)導(dǎo)師學(xué)習(xí)的訓(xùn)練樣本中不含期望輸出，因此對(duì)于某一輸入模式樣本應(yīng)屬于哪一類并沒(méi)有任何先驗(yàn)知識(shí)。對(duì)于一組輸入模式，只能根據(jù)它們之間的相似程度來(lái)分為若干類，因此，相似性是輸入模式的聚類依據(jù)。2相似性測(cè)量神經(jīng)網(wǎng)絡(luò)的輸入模式向量的相似性測(cè)量可用向量之間的距離來(lái)衡量。常用的方法有歐氏距離法和余弦

4、法兩種。歐式距離法設(shè)X,X為兩向量，其間的歐式距離idXX譏XXi)(XXi)T(4-1)d越小，X與X越接近，兩者越相似，當(dāng)d0時(shí)，XX；以dT(常數(shù))為判據(jù)，可ii對(duì)輸入向量模式進(jìn)行聚類分析：由于d12,d23,d31均小于T，d45,d56,d46均小于T而d1T(4,5,6)d2.T(i4,5,6)d.T(i4,5,6)，故將輸入模式X，X,X,X,X,X分為類和類兩大類，如圖所示。TOC o 1-5 h z3i123456()余弦法設(shè)X,X為兩向量，其間的夾角余弦i_XXT(42)cos師越小，X與X越接近，兩者越相似；當(dāng)=0時(shí)，cos=1，XX；同樣以為ii0判據(jù)可進(jìn)行聚類分析。圖

5、4-2基于歐式距離法的模式分類競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則的生理學(xué)基礎(chǔ)是神經(jīng)細(xì)胞的側(cè)抑制現(xiàn)象：當(dāng)一個(gè)神經(jīng)細(xì)胞興奮后，會(huì)對(duì)其周圍的神經(jīng)細(xì)胞產(chǎn)生抑制作用。最強(qiáng)的抑制作用是競(jìng)爭(zhēng)獲勝的“唯我獨(dú)興”，這種做法稱為“勝者為王”(Winner-Take-AH,WTA)。競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則就是從神經(jīng)細(xì)胞的側(cè)抑制現(xiàn)象獲得的。它的學(xué)習(xí)步驟為：(1)向量歸一化對(duì)自組織網(wǎng)絡(luò)中的當(dāng)前輸入模式向量X、競(jìng)爭(zhēng)層中各神經(jīng)元對(duì)應(yīng)的內(nèi)星權(quán)向量WjI2m)全部進(jìn)行歸一化處理，如圖所示，得到x和W:jjxW,4-3)ni圖4-3向量歸一化2)尋找獲勝神經(jīng)元將X與競(jìng)爭(zhēng)層所有神經(jīng)元對(duì)應(yīng)的內(nèi)星權(quán)向量WZ(j1,2,m)進(jìn)行相似性比較。最相似j的神經(jīng)元獲勝，權(quán)向量

6、為WZ*：jWj1,2,nX.2(1*Xt)4-5)：(XW)(XW)TXXT2WXTwTj*j*j*j*j*WXTmax(WXT)j*jj(3)網(wǎng)絡(luò)輸出與權(quán)調(diào)整按學(xué)習(xí)法則，獲勝神經(jīng)元輸出為“”其余為即:yj(t1)只有獲勝神經(jīng)元才有權(quán)調(diào)整其權(quán)向量W。其權(quán)向量學(xué)習(xí)調(diào)整如下：j*刖.*(tl)W,*(t)W*W.*(t)(X,*)/、j*j*j*j*j*()Wj(tI)Wj(t)jj*01為學(xué)習(xí)率，一般隨著學(xué)習(xí)的進(jìn)展而減小，即調(diào)整的程度越來(lái)越小，趨于聚類中心(4)重新歸一化處理歸一化后的權(quán)向量經(jīng)過(guò)調(diào)整后，得到的新向量不再是單位向量，因此要對(duì)學(xué)習(xí)調(diào)整后的向量重新進(jìn)行歸一化，循環(huán)運(yùn)算，直到學(xué)習(xí)率衰減

7、到為了更好地說(shuō)明競(jìng)爭(zhēng)學(xué)習(xí)算法的聚類分析效果，下面以一具體實(shí)例進(jìn)行計(jì)算。6例4-1】用競(jìng)爭(zhēng)學(xué)習(xí)算法將下列各模式分為兩類X1(0.8,0.6)，X2(0.1736,0.9848)，X3(0.707,0.707)，X(0.342,0.9397)，4X5(0.6,0.8)，學(xué)習(xí)率=?！窘狻繉⑸鲜鲚斎肽Ｊ睫D(zhuǎn)換為極坐標(biāo)形式：X1.36.89，X1.80。12X145，X170，X153.13。如圖4-4所示。345X2圖4-4模式向量圖要求將各模式分為兩類，則競(jìng)爭(zhēng)層為兩個(gè)神經(jīng)元，設(shè)兩個(gè)權(quán)向量，隨機(jī)初始化為單元向量：W(0)(1,0)10，W(0)(1,0)1180，其競(jìng)爭(zhēng)學(xué)習(xí)過(guò)程如下：12(1)X11d1

8、!X1W(0)|136.89，d2|x1W2(0)|1216.89。dd，神經(jīng)元1獲勝，W調(diào)整。121W1(1)W1(0)(X1W1(0)00.536.89118.43。W(1)W(0)118022X22d|xW(1)|198.43，dxW(1)|1100。121222dd，神經(jīng)元1獲勝，W調(diào)整。121W(2)W(1)(XW(1)18.430.5(8018.43)130.8。1121W(2)W(1)118022X33d|X3W(2)|175.8-，d2|x?W2|1225。dd，神經(jīng)元1獲勝，W調(diào)整。121W(3)W(2)(XW(2)30.80.5(4530.8)17。1131W(3)W(2)

9、118022X44d|XW(3)|177-，dxW(3)|1110。141242dd，神經(jīng)元1獲勝，W調(diào)整。121W(4)W(3)(XW(3)70.5(R07)131.5。1141W(4)W(3)118022X55d1|X5W(4)|184.63。，d2|xW2(4)|1126.87。dd，神經(jīng)元1獲勝，W調(diào)整。121W(5)W(4)(XW(4)31.50.5(53.1331.5)111。1151W(5)W(4)118022X11d|xW(5)|125.89。，d|xW(5)|1216.89。111212dd，神經(jīng)元1獲勝，W調(diào)整。121W1(6)W1(5)(X1W1(5)110.525.89

10、124。W(6)W(5)1180227)X2d1IIX2W1(6)|1104dXW(6)1100222d2d1，神經(jīng)元2獲勝，W2調(diào)整。W(7)W(6)(XW(6)1800.5(80180)1130。2222W1(7)W1(6)248)X33d1.|X3W(7)|1.21d2|x3W2(7)|1175d1d2,神經(jīng)元1獲勝，W1調(diào)整。W(8)W(7)(XW(7)240.5(4524)134。1131W(8)W(7)11302244d1|X4W(8)|1104，d2|x4BW2(8)|160。dd，神經(jīng)元2獲勝，W調(diào)整。212W(9)W(8)(XW(8)BB1300.5(B70130)1100。

11、2242W1(9)W1(8)13410)X55d|xW(9)|119.13-，dxW(9)|1153.13。151252dd，神經(jīng)元1獲勝，W調(diào)整。121W1(10)W1(9)(X5W1(9)340.5(53.1334)144。W(10)W(9)1100。22一直循環(huán)運(yùn)算下去，其前20次學(xué)習(xí)結(jié)果如表4-所1示。學(xué)習(xí)次數(shù)234學(xué)習(xí)次數(shù)表4-1競(jìng)爭(zhēng)學(xué)習(xí)結(jié)果I學(xué)習(xí)次數(shù)I學(xué)習(xí)次數(shù)188續(xù)表)從表4-1可見(jiàn)，在運(yùn)算學(xué)習(xí)20次后，網(wǎng)絡(luò)權(quán)值W1,W2趨于穩(wěn)定：W145,W2同時(shí)我們還可以得到如下結(jié)論：75。當(dāng)W調(diào)整時(shí)，W不變，反之亦然，每次只有一個(gè)神經(jīng)元獲勝。12X,X,X屬于同一模式，其中心向量為：丄(X

12、XX)45。，X,1351232屬于同一模式類：1(XX)175。24若學(xué)習(xí)率為常數(shù)，W,W將在中心向量附近擺動(dòng)，永遠(yuǎn)也不收斂。124.2SOM神經(jīng)網(wǎng)絡(luò)模型與算法71SOM網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)SOM網(wǎng)絡(luò)共有兩層：輸入層和輸出層。輸入層：通過(guò)權(quán)向量將外界信息匯集到輸出層各神經(jīng)元。輸入層的形式與BP網(wǎng)相同，節(jié)點(diǎn)數(shù)與樣本維數(shù)相同。輸出層：輸出層也是競(jìng)爭(zhēng)層。其神經(jīng)元的排列有多種形式，分為一維線陣、二維平面陣和三維柵格陣。最典型的結(jié)構(gòu)是二維形式，它更具大腦皮層的形象，如圖4-5所示。圖4-5二維SOM平面陣列輸出層的每個(gè)神經(jīng)元同它周圍的其他神經(jīng)元側(cè)向連接，排列成棋盤狀平面；輸入層為單層神經(jīng)元排列。2.SOM權(quán)

13、值調(diào)整域SOM網(wǎng)采用的算法稱為Kohonen算法，它是在“勝者為王”(Winner-Take-All,WTA)學(xué)習(xí)規(guī)則基礎(chǔ)上加以改進(jìn)的，主要區(qū)別是調(diào)整權(quán)向量與側(cè)抑制的方式不同：:側(cè)抑制是“封殺”式的。只有獲勝神經(jīng)元可以調(diào)整其權(quán)值，其他神經(jīng)元都無(wú)權(quán)調(diào)整。Kohonen算法：獲勝的神經(jīng)元對(duì)其鄰近神經(jīng)元的影響是由近及遠(yuǎn)，由興奮逐漸變?yōu)橐种?。換句話說(shuō)，不僅獲勝神經(jīng)元要調(diào)整權(quán)值，它周圍的神經(jīng)元也要不同程度調(diào)整權(quán)向量。常見(jiàn)的調(diào)整方式有如下幾種：墨西哥草帽函數(shù)：獲勝節(jié)點(diǎn)有最大的權(quán)值調(diào)整量，臨近的節(jié)點(diǎn)有稍小的調(diào)整量，離獲勝節(jié)點(diǎn)距離越大，權(quán)值調(diào)整量越小，直到某一距離d時(shí)，權(quán)值調(diào)整量為零；當(dāng)距0離再遠(yuǎn)一些時(shí)，權(quán)值

14、調(diào)整量稍負(fù)，更遠(yuǎn)又回到零。如圖4-6(a)所示。大禮帽函數(shù)：它是墨西哥草帽函數(shù)的一種簡(jiǎn)化，如圖4-6(b)所示。廚師帽函數(shù)：它是大禮帽函數(shù)的一種簡(jiǎn)化，如圖4-6(c)所示。圖4-6權(quán)值調(diào)整函數(shù)以獲勝神經(jīng)元為中心設(shè)定一個(gè)鄰域半徑R,該半徑固定的范圍稱為優(yōu)勝鄰域。在SOM網(wǎng)學(xué)習(xí)方法中，優(yōu)勝鄰域內(nèi)的所有神經(jīng)元，均按其離開(kāi)獲勝神經(jīng)元距離的遠(yuǎn)近不同程度調(diào)整權(quán)值。優(yōu)勝鄰域開(kāi)始定的較大,但其大小隨著訓(xùn)練次數(shù)的增加不斷收縮,最終收縮到半徑為丿一匸,零。3.SOM網(wǎng)絡(luò)運(yùn)行原理網(wǎng)絡(luò)的運(yùn)行分訓(xùn)練和工作兩個(gè)階段。在訓(xùn)練階段，網(wǎng)絡(luò)隨機(jī)輸入訓(xùn)練集中的樣本，對(duì)某個(gè)特定的輸入模式,輸出層會(huì)有某個(gè)節(jié)點(diǎn)產(chǎn)生最大響應(yīng)而獲勝,而在訓(xùn)

15、練開(kāi)始階段,輸出層哪個(gè)位置的節(jié)點(diǎn)將對(duì)哪類輸入模式產(chǎn)生最大響應(yīng)是不確定的。當(dāng)輸入模式的類別改變時(shí)，二維平面的獲勝節(jié)點(diǎn)也會(huì)改變。獲勝節(jié)點(diǎn)周圍的節(jié)點(diǎn)因側(cè)向相互興奮作用也產(chǎn)生較大影響，于是獲勝節(jié)點(diǎn)及其優(yōu)勝鄰域內(nèi)的所有節(jié)點(diǎn)所連接的權(quán)向量均向輸入方向作不同程度的調(diào)整，調(diào)整力度依鄰域內(nèi)各節(jié)點(diǎn)距離獲勝節(jié)點(diǎn)的遠(yuǎn)近而逐漸減小。網(wǎng)絡(luò)通過(guò)自組織方式，用大量訓(xùn)練樣本調(diào)整網(wǎng)絡(luò)權(quán)值，最后使輸出層各節(jié)點(diǎn)成為對(duì)特定模式類敏感的神經(jīng)元，對(duì)應(yīng)的內(nèi)星權(quán)向量成為各輸入模式的中心向量。并且當(dāng)兩個(gè)模式類的特征接近時(shí)，代表這兩類的節(jié)點(diǎn)在位置上也接近。從而在輸出層形成能反應(yīng)樣本模式類分布情況的有序特征圖。4.學(xué)習(xí)方法對(duì)應(yīng)于上述運(yùn)行原理，SOM

16、網(wǎng)絡(luò)采用的學(xué)習(xí)算法按如下步驟進(jìn)行：（）初始化對(duì)輸出層各權(quán)向量賦小隨機(jī)數(shù)并進(jìn)行歸一化處理，得到Wyj1,2,m）建立初始優(yōu)勝鄰域Nj*（0）和學(xué)習(xí)率初值。m為輸出層神經(jīng)元數(shù)目。（2）接受輸入從訓(xùn)練集中隨機(jī)取一個(gè)輸入模式并進(jìn)行歸一化處理，得到XPp1,2,n）n為輸入層神經(jīng)元數(shù)目。3）尋找獲勝節(jié)點(diǎn)計(jì)算XP與Wj的點(diǎn)積，從中找到點(diǎn)積最大的獲勝節(jié)點(diǎn)()定義優(yōu)勝鄰域)以為中心確定時(shí)刻的權(quán)值調(diào)整域，一般初始鄰域N(0)較大(大約為總節(jié)點(diǎn)的)8訓(xùn)練過(guò)程中N(t)隨訓(xùn)練時(shí)間收縮。如圖所示。OOOCON*(0)0000GOoOOO0000N*(1)j*N*(2)j*圖4-7鄰域的收縮()調(diào)整權(quán)值對(duì)優(yōu)勝鄰域Nj.

17、()內(nèi)的所有節(jié)點(diǎn)調(diào)整權(quán)值w(t1)w(t)(t,N)xpw(t)i1,2,n，jN(t)(4-7)ijijiijj*其中，(t,N)是訓(xùn)練時(shí)間t和鄰域內(nèi)第j個(gè)神經(jīng)元與獲勝神經(jīng)元j*之間的拓?fù)渚嚯xN的函數(shù)，該函數(shù)一般有以下規(guī)律：t,N；如(t,N)(t)en,(t)可采用t的單調(diào)下降函數(shù)也稱退火函數(shù)。(6)結(jié)束判定當(dāng)學(xué)習(xí)率(t)時(shí)，訓(xùn)練結(jié)束；不滿足結(jié)束條件時(shí)，轉(zhuǎn)到步驟()繼續(xù)。min4.3SOM神經(jīng)網(wǎng)絡(luò)的應(yīng)用4.3.1SOM網(wǎng)絡(luò)應(yīng)用于字符排序61問(wèn)題描述用個(gè)字符作為輸入樣本，包括個(gè)英文字母和個(gè)數(shù)字()。每個(gè)字符對(duì)應(yīng)一個(gè)維向量，各字符與向量x的關(guān)系如表所示。由表可以看出，代表、D的各向量中有個(gè)分量

18、相同，即XA,xB,xC,xD,xE0(i1,2,3,4)，因此，、iiiii應(yīng)歸為一類；代表、的向量中有個(gè)分量相同，同理也應(yīng)歸為一類；依此類推。這樣就可以由表7-中2輸入向量的相似關(guān)系，將對(duì)應(yīng)的字符標(biāo)在圖4-所8示的樹(shù)形結(jié)構(gòu)圖中。用網(wǎng)絡(luò)對(duì)其他進(jìn)行聚類分析。表4-2字符與其對(duì)應(yīng)向量2網(wǎng)絡(luò)設(shè)計(jì)及學(xué)習(xí)結(jié)果1)表格分析、的各向量有個(gè)分量相同一一同類。、I的各向量有個(gè)分量相同一一同類。圖4-8樹(shù)形結(jié)構(gòu)圖SOM網(wǎng)絡(luò)設(shè)計(jì)輸入層節(jié)點(diǎn)數(shù)n:樣本維數(shù)=。輸出層節(jié)點(diǎn)數(shù)：取70個(gè)神經(jīng)元，二維平面陣。權(quán)值初始化:隨機(jī)小數(shù)。領(lǐng)域半徑：學(xué)習(xí)率訓(xùn)練將訓(xùn)練集中代表各字符的輸入向量XP隨機(jī)選取后訓(xùn)練，經(jīng)步訓(xùn)練，各權(quán)向量趨于穩(wěn)定

19、。對(duì)網(wǎng)絡(luò)輸出，進(jìn)行核準(zhǔn)，即根據(jù)輸出神經(jīng)元陣列與訓(xùn)練集中已知模式向量對(duì)應(yīng)關(guān)系的標(biāo)號(hào)來(lái)核準(zhǔn)。結(jié)果是：70個(gè)神經(jīng)元中，有32個(gè)神經(jīng)元有標(biāo)號(hào)，另外38個(gè)為未用神經(jīng)元。3結(jié)果輸出圖給出了自組織學(xué)習(xí)后的輸出結(jié)果。網(wǎng)絡(luò)完成學(xué)習(xí)訓(xùn)練后，對(duì)于每一個(gè)輸入字符，輸出平面中都有一個(gè)特定的神經(jīng)元對(duì)其敏感，這種輸入-輸出的映射關(guān)系在輸出特征平面中表現(xiàn)得非常清楚。網(wǎng)絡(luò)經(jīng)自組織學(xué)習(xí)后在輸出層形成了有規(guī)則的拓?fù)浣Y(jié)構(gòu)，在神經(jīng)元陣列中，各字符之間的相互位置關(guān)系與它們?cè)跇?shù)狀結(jié)構(gòu)中的相互位置關(guān)系類似，兩者結(jié)構(gòu)特征上的一致性是非常明顯的。圖4-9自組織學(xué)習(xí)的輸出結(jié)果4.3.2SOM網(wǎng)絡(luò)在復(fù)合材料損傷監(jiān)測(cè)中的應(yīng)用81問(wèn)題描述復(fù)合材料的損傷

20、現(xiàn)象及機(jī)理復(fù)雜，在使用時(shí)需要對(duì)其損傷累積進(jìn)行監(jiān)測(cè)并預(yù)警。一般的方法是應(yīng)力波技術(shù)，即在復(fù)合材料中施加激勵(lì)信號(hào)應(yīng)力波，然后在復(fù)合材料的另一點(diǎn)或多點(diǎn)接收應(yīng)力波，由于應(yīng)力波在復(fù)合材料中傳輸受損傷情況的影響，通過(guò)分析檢測(cè)信號(hào)，來(lái)識(shí)別損傷情況。因此，關(guān)鍵問(wèn)題是接收信號(hào)與損傷模式之間的函數(shù)關(guān)系，即要進(jìn)行系統(tǒng)建模但是一般來(lái)說(shuō)，建模困難，大多是應(yīng)用簡(jiǎn)化模型，檢測(cè)精度較低。此處的解決途徑是利用自組織神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別。被檢測(cè)的復(fù)合材料為碳纖維層合板。2損傷模式P:碳纖維層合板健康；1P:材料表面沖擊損傷；2P3:材料托層損傷；3P:材料夾層健康；4P5:材料夾層沖擊損傷。5損傷特征向量XX,X,X,X,X,X選擇12

21、3456X:時(shí)域峰峰值（）；1X:頻域第一峰值點(diǎn)頻率（）；2X:頻域第一峰值點(diǎn)幅值（V；3X:頻域第二峰值點(diǎn)頻率（）；4X:頻域第二峰值點(diǎn)幅值(V；5X:振鈴應(yīng)力波因子(次；。63數(shù)據(jù)規(guī)格化處理由于6種參數(shù)的量綱和數(shù)量級(jí)有差別，采用如下數(shù)據(jù)規(guī)格化處理，使每個(gè)分量X統(tǒng)K于某種共同的數(shù)據(jù)范圍內(nèi):XXTOC o 1-5 h zXKK(XX)2,KK!則得到損傷訓(xùn)練樣本如表4-所3示。歸格其中，X-X，6kIK化處理后如表4-所4示。表4-3損傷訓(xùn)練樣本XXXXXX123456P9.5145.645.021.529.540P5.6734.832.50.78123.0292XXXXX(續(xù)表)X12345

22、6P1.7751.18.0234.26.258P48.0620.04.7180.04.0112P2.6012.40.9521.81.177表4-4規(guī)格化處理XXXXXXP11.5520.95230.9134).7185).16460.566P1.060.9640.7991.400.1430.5592P).8311.66).5150.807).605).517P).458).0499).5722.00).597).323P51).6170.579).08181.71).7920.07974網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練從上面的分析，可作如下的網(wǎng)絡(luò)設(shè)計(jì)：輸入層:6個(gè)節(jié)點(diǎn)(神經(jīng)元；輸出層：個(gè)=X(節(jié)點(diǎn))權(quán)值調(diào)整：w

23、(t1)w(t)(t)ij*ij*iij*其中，為學(xué)習(xí)次數(shù)；(t)(0)(1t/T)；為總學(xué)習(xí)次數(shù)。定義優(yōu)勝領(lǐng)域Nj*(t):為簡(jiǎn)化起見(jiàn)，選取獲勝神經(jīng)元的相鄰神經(jīng)元優(yōu)勝領(lǐng)域。5訓(xùn)練結(jié)果圖為訓(xùn)練穩(wěn)定后P、P、P、P、P對(duì)X輸出層的映射位置。網(wǎng)絡(luò)完成學(xué)12345習(xí)訓(xùn)練后，對(duì)于每一個(gè)輸入的損傷模式，輸出平面中都有一個(gè)特定的神經(jīng)元對(duì)其敏感，這種輸入輸出的映射關(guān)系在輸出特征平面中表現(xiàn)得非常清楚。P23圖4-10自組織學(xué)習(xí)的訓(xùn)練結(jié)果6損傷模式識(shí)別在SOM訓(xùn)練結(jié)束后，可以對(duì)表4-5的檢測(cè)數(shù)值進(jìn)行復(fù)合材料的損傷模式識(shí)別。表4-6為歸格化后的樣本表格。將其輸入訓(xùn)練過(guò)的SOM網(wǎng)絡(luò)中，觀察輸出的敏感神經(jīng)元，得到輸出

24、結(jié)果如圖4-11所示。表4-5待識(shí)別的損傷樣本XX.XXXX56F9.7945.646.821.1634.741F5.7434.831.540.7822.3292F1.7451.17.9234.56.508F8.32204.90803.8712F2.5312.371.0119.91.056表4-6規(guī)格化處理表XXXXXX6F1.580.8390.922).8120.1010.530F1.051.010.7811.400.2180.5292F).8351.65).5230.817).595).519F).445).046).5612.00).596).353F).6090.692).8091.6

25、8).804).1512315aa4圖4-11損傷模式識(shí)別輸出結(jié)果從輸出結(jié)果很容易知道，F(xiàn)2與P2:材料表面沖擊損傷相對(duì)應(yīng)；F3與P：材料托層損傷相對(duì)應(yīng)；F與P:材料夾層健康相對(duì)應(yīng)；而F接近P:材料夾層沖擊損傷；F接近P:445511碳纖維層合板健康。4.4本章小結(jié)年提出的自組織映射神經(jīng)網(wǎng)絡(luò)是一個(gè)巧妙的神經(jīng)元網(wǎng)絡(luò)，它建立在一維、二維或三維的神經(jīng)元網(wǎng)絡(luò)上，用于捕獲包含在輸入模式中感興趣的特征，描述在復(fù)雜系統(tǒng)中從完全混亂到最終出現(xiàn)整體有序的現(xiàn)象。自組織映射也可以看成向量量化器，從而提供一個(gè)導(dǎo)出調(diào)整權(quán)值向量的更新規(guī)則的原理性方法。此方法明確地強(qiáng)調(diào)鄰域函數(shù)作為概率密度函數(shù)的作用。本章討論競(jìng)爭(zhēng)算法的學(xué)習(xí)過(guò)程，在此基礎(chǔ)上進(jìn)一步介紹了自組織神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、工作原理。最后介紹了神經(jīng)網(wǎng)絡(luò)在聚類分析、復(fù)合材料的損傷檢測(cè)中的具體應(yīng)用。4.5思考題.請(qǐng)介紹神經(jīng)網(wǎng)絡(luò)的基本構(gòu)造及工作原理。2自組織神經(jīng)網(wǎng)絡(luò)由輸入層和競(jìng)爭(zhēng)層組成，設(shè)初始權(quán)向量已歸一化為：TOC o 1-5 h z10，%0l，現(xiàn)有4個(gè)輸入模式，均為單位向量:X145，X113