第四章自組織神經(jīng)網(wǎng)絡(luò)自組織學(xué)習(xí)(self-organizedlearning)：

通過自動尋找樣本中的內(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)。自組織網(wǎng)絡(luò)的自組織功能是通過競爭學(xué)習(xí)（competitivelearning）實現(xiàn)的。

當(dāng)前1頁，總共37頁。4.1競爭學(xué)習(xí)的概念與原理4.1.1基本概念分類——分類是在類別知識等導(dǎo)師信號的指導(dǎo)下，將待識別的輸入模式分配到各自的模式類中去。聚類——無導(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。當(dāng)前2頁，總共37頁。

相似性測量＿歐式距離法4.1.1基本概念當(dāng)前3頁，總共37頁。

相似性測量＿余弦法4.1.1基本概念當(dāng)前4頁，總共37頁。4.1.2競爭學(xué)習(xí)原理競爭學(xué)習(xí)規(guī)則——Winner-Take-All(勝者為王)

網(wǎng)絡(luò)的輸出神經(jīng)元之間相互競爭以求被激活，結(jié)果在每一時刻只有一個輸出神經(jīng)元被激活。這個被激活的神經(jīng)元稱為競爭獲勝神經(jīng)元，而其它神經(jīng)元的狀態(tài)被抑制，故稱為WinnerTakeAll。當(dāng)前5頁，總共37頁。競爭學(xué)習(xí)規(guī)則——Winner-Take-All1.向量歸一化

首先將當(dāng)前輸入模式向量X和競爭層中各神經(jīng)元對應(yīng)的內(nèi)星向量Wj全部進(jìn)行歸一化處理；(j=1,2,…,m)當(dāng)前6頁，總共37頁。向量歸一化之前當(dāng)前7頁，總共37頁。向量歸一化之后當(dāng)前8頁，總共37頁。競爭學(xué)習(xí)原理競爭學(xué)習(xí)規(guī)則——Winner-Take-All2.尋找獲勝神經(jīng)元

當(dāng)網(wǎng)絡(luò)得到一個輸入模式向量時，競爭層的所有神經(jīng)元對應(yīng)的內(nèi)星權(quán)向量均與其進(jìn)行相似性比較，并將最相似的內(nèi)星權(quán)向量判為競爭獲勝神經(jīng)元。欲使兩單位向量最相似，須使其點積最大。即：當(dāng)前9頁，總共37頁。

從上式可以看出，欲使兩單位向量的歐式距離最小，須使兩向量的點積最大。即：競爭學(xué)習(xí)規(guī)則——Winner-Take-All當(dāng)前10頁，總共37頁。競爭學(xué)習(xí)規(guī)則——勝者為王(Winner-Take-All)3.網(wǎng)絡(luò)輸出與權(quán)值調(diào)整jj*

步驟3完成后回到步驟1繼續(xù)訓(xùn)練，直到學(xué)習(xí)率衰減到0。當(dāng)前11頁，總共37頁。競爭學(xué)習(xí)的幾何意義?當(dāng)前12頁，總共37頁。競爭學(xué)習(xí)的幾何意義

*

1W?

*?jW

*

)](?)(?)[()(*ttttjpWXW-=hD

*┆

)(?*1tj+W

)(?tpX

jW?

mW?

*

…

***當(dāng)前13頁，總共37頁。例4.1用競爭學(xué)習(xí)算法將下列各模式分為2類：解：為作圖方便，將上述模式轉(zhuǎn)換成極坐標(biāo)形式：競爭層設(shè)兩個權(quán)向量，隨機初始化為單位向量：O1O2W1=(w11,w12)W2=(w21,w22)x1x2當(dāng)前14頁，總共37頁。當(dāng)前15頁，總共37頁。當(dāng)前16頁，總共37頁。當(dāng)前17頁，總共37頁。當(dāng)前18頁，總共37頁。當(dāng)前19頁，總共37頁。當(dāng)前20頁，總共37頁。當(dāng)前21頁，總共37頁。當(dāng)前22頁，總共37頁。當(dāng)前23頁，總共37頁。當(dāng)前24頁，總共37頁。當(dāng)前25頁，總共37頁。4.2自組織特征映射神經(jīng)網(wǎng)絡(luò)

（Self-OrganizingfeatureMap）1981年芬蘭Helsink大學(xué)的T.Kohonen教授提出一種自組織特征映射網(wǎng)，簡稱SOM網(wǎng)，又稱Kohonen網(wǎng)。

Kohonen認(rèn)為：一個神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時，將會分為不同的對應(yīng)區(qū)域，各區(qū)域?qū)斎肽Ｊ骄哂胁煌捻憫?yīng)特征，而且這個過程是自動完成的。自組織特征映射正是根據(jù)這一看法提出來的，其特點與人腦的自組織特性相類似。當(dāng)前26頁，總共37頁。SOM網(wǎng)的生物學(xué)基礎(chǔ)

生物學(xué)研究的事實表明，在人腦的感覺通道上，神經(jīng)元的組織原理是有序排列。因此當(dāng)人腦通過感官接受外界的特定時空信息時，大腦皮層的特定區(qū)域興奮，而且類似的外界信息在對應(yīng)區(qū)域是連續(xù)映象的。對于某一圖形或某一頻率的特定興奮過程，神經(jīng)元的有序排列以及對外界信息的連續(xù)映象是自組織特征映射網(wǎng)中競爭機制的生物學(xué)基礎(chǔ)。當(dāng)前27頁，總共37頁。SOM網(wǎng)的拓?fù)浣Y(jié)構(gòu)

SOM網(wǎng)共有兩層，輸入層模擬感知外界輸入信息的視網(wǎng)膜，輸出層模擬做出響應(yīng)的大腦皮層。

當(dāng)前28頁，總共37頁。SOM網(wǎng)的權(quán)值調(diào)整域

SOM網(wǎng)的獲勝神經(jīng)元對其鄰近神經(jīng)元的影響是由近及遠(yuǎn)，由興奮逐漸轉(zhuǎn)變?yōu)橐种?，因此其學(xué)習(xí)算法中不僅獲勝神經(jīng)元本身要調(diào)整權(quán)向量，它周圍的神經(jīng)元在其影響下也要程度不同地調(diào)整權(quán)向量。這種調(diào)整可用三種函數(shù)表示：當(dāng)前29頁，總共37頁。當(dāng)前30頁，總共37頁。SOM網(wǎng)的權(quán)值調(diào)整域

以獲勝神經(jīng)元為中心設(shè)定一個鄰域半徑，該半徑圈定的范圍稱為優(yōu)勝鄰域。在SOM網(wǎng)學(xué)習(xí)算法中，優(yōu)勝鄰域內(nèi)的所有神經(jīng)元均按其離開獲勝神經(jīng)元的距離遠(yuǎn)近不同程度地調(diào)整權(quán)值。

優(yōu)勝鄰域開始定得很大，但其大小隨著訓(xùn)練次數(shù)的增加不斷收縮，最終收縮到半徑為零。當(dāng)前31頁，總共37頁。SOM網(wǎng)的運行原理訓(xùn)練階段w1w2w3

w4

w5當(dāng)前32頁，總共37頁。SOM網(wǎng)的運行原理工作階段當(dāng)前33頁，總共37頁。SOM網(wǎng)的學(xué)習(xí)算法(1)初始化對輸出層各權(quán)向量賦小隨機數(shù)并進(jìn)行歸一化處理，得到，j=1,2,…m；建立初始優(yōu)勝鄰域Nj*(0)；學(xué)習(xí)率

賦初始值。(2)接受輸入從訓(xùn)練集中隨機選取一個輸入模式并進(jìn)行歸一化處理，得到，p{1,2,…,P}。P是樣本總數(shù),p是樣本編號。(3)尋找獲勝節(jié)點計算與的點積，j=1,2,…m，從中選出點積最大的獲勝節(jié)點j*。(4)定義優(yōu)勝鄰域Nj*(t)

以j*為中心確定t時刻的權(quán)值調(diào)整域，一般初始鄰域Nj*(0)較大，訓(xùn)練過程中Nj*(t)隨訓(xùn)練時間逐漸收縮。Kohonen學(xué)習(xí)算法當(dāng)前34頁，總共37頁。Kohonen學(xué)習(xí)算法SOM網(wǎng)的學(xué)習(xí)算法當(dāng)前35頁，總共37頁。(5)調(diào)整權(quán)值對優(yōu)勝鄰域Nj*(t)內(nèi)的所有節(jié)點調(diào)整權(quán)值：

i=1,2,…n

jNj*(t)

式中，是訓(xùn)練時間t和鄰域內(nèi)