文档介绍：自组织神经网络模型与学习算法
概述
自组织神经网络,又称为自组织竞争神经网络,特别适合于解决模式分类和识别方面的应用问题。
自组织神经网络属于前向神经网络类型,采用无导师学习算法,
自组织特征映射神经网络不仅能够像自组织竞争神经网络一样学习输入的分布情况,而且可以学习神经网络的拓扑结构。
概述
自组织竞争神经网络类型
自适应共振理论(Adaptive Resonance Theory,ART)网络
自组织特征映射(anizing Map,SOM)网络
对传(Counter Propagation,CP)网络
协同神经网络(Synergetic )
自组织特征映射神经网络结构
由芬兰学者Teuvo Kohonen于1981年提出
基本上为输入层和映射层的双层结构,映射层的神经元互相连接,每个输出神经元连接至所有输入神经元
I’m Teuvo Kohonen
自组织特征映射神经网络结构
竞争层
输入层
SOM神经网络结构
自组织特征映射神经网络结构
SOM神经网络平面示意图
竞争层
输入层
自组织特征映射神经网络结构
SOM神经网络立体示意图
竞争层
输入层
自组织特征映射学习算法原理
Kohonen自组织特征映射算法,能够自动找出输入数据之间的类似度,将相似的输入在网络上就近配置。因此是一种可以构成对输入数据有选择地给予响应的网络。
类似度准则
欧氏距离
自组织特征映射学习算法步骤
(1)网络初始化
用随机数设定输入层和映射层之间权值的初始值
(2)输入向量
把输入向量输入给输入层
(3) 计算映射层的权值向量和输入向量的距离
映射层的神经元和输入向量的距离,按下式给出
自组织特征映射学习算法步骤
(4) 选择与权值向量的距离最小的神经元
计算并选择使输入向量和权值向量的距离最小的神经元,把其称为胜出神经元并记为,并给出其邻接神经元集合。
(5)调整权值
胜出神经元和位于其邻接神经元的权值,按下式更新:
(6)是否达到预先设定的要求如达到要求则算法结束,否则返回(2),进入下一轮学习