計算智能與深度學(xué)習(xí) 課件 2神經(jīng)網(wǎng)絡(luò)－5Hamming網(wǎng)絡(luò)_第1頁
計算智能與深度學(xué)習(xí) 課件 2神經(jīng)網(wǎng)絡(luò)－5Hamming網(wǎng)絡(luò)_第2頁
計算智能與深度學(xué)習(xí) 課件 2神經(jīng)網(wǎng)絡(luò)－5Hamming網(wǎng)絡(luò)_第3頁
計算智能與深度學(xué)習(xí) 課件 2神經(jīng)網(wǎng)絡(luò)－5Hamming網(wǎng)絡(luò)_第4頁
計算智能與深度學(xué)習(xí) 課件 2神經(jīng)網(wǎng)絡(luò)－5Hamming網(wǎng)絡(luò)_第5頁
已閱讀5頁，還剩1頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

海明（Hamming)神經(jīng)網(wǎng)絡(luò)

Hamming神經(jīng)網(wǎng)絡(luò)是實現(xiàn)誤差最小的最優(yōu)模式分類的一種神經(jīng)網(wǎng)絡(luò)模型，它根據(jù)網(wǎng)絡(luò)輸入與各樣本間的Hamming距離（互不相同的二值符號位數(shù)）對輸入模式進行分類。

Hamming網(wǎng)絡(luò)的基本結(jié)構(gòu)如下圖所示。1x1x2xn-1xn……Hamming網(wǎng)2Hamming網(wǎng)的基本結(jié)構(gòu)Hamming網(wǎng)由高層及低層網(wǎng)兩部分組成。低層網(wǎng)主要用于計算輸入模式與諸樣本模式的匹配測度;高層網(wǎng)通過“側(cè)抑制”來檢出對應(yīng)于最佳匹配的那個輸出結(jié)點。Lippman等人的研究報告指出，在執(zhí)行模式分類時，Hamming網(wǎng)比Hopfield網(wǎng)有明顯的優(yōu)勢，如Hamming網(wǎng)所需的連接數(shù)與網(wǎng)絡(luò)節(jié)點數(shù)成線性關(guān)系，而Hopfield網(wǎng)所需的連接數(shù)與網(wǎng)絡(luò)結(jié)點成平方關(guān)系。另外，與前面的BP網(wǎng)相比，Hamming網(wǎng)有：收斂快、不會陷入局部最小、加入新樣本時不需重新學(xué)習(xí)等。3Hamming網(wǎng)的學(xué)習(xí)算法(1)賦連接權(quán)值及閾值

對低層

對高層表示從輸入i到結(jié)點j的權(quán)值，表示結(jié)點j的閾值；是高層網(wǎng)中從結(jié)點k到結(jié)點l的連接權(quán)值；是第j個樣本模式的第i個元素值；n為樣本或輸入模式的元素個數(shù)；m為樣本數(shù)目。4（2）用未知輸入模式進行初始化：5（3）按下式迭代，直到網(wǎng)絡(luò)收斂：已經(jīng)證明，只要參數(shù)選擇適當，則Hamming網(wǎng)一定收斂。在最壞情況下，收斂的時間復(fù)雜度為O(P=ln(PN)).其中，P

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論