适用于类别已知问题的SOM标准化构建方法.pdf

计算机科学2008V01．35No．8A 适用于类别已知问题的SOM标准化构建方法 李文波郑启迪 (同济大学计算机科学与技术系 上海201804) 摘要SOM是一种非监督学习的神经网络，其特点在于能把高维数据映射到低维数组，通常是二维数组。因此 SoM能够提供给研究者二维可视信息，这对于数据的分析能提供直观描述。然而按传统的SOM构建方法往往不 能得到边界清晰的网络，而且多次训练得到的网络其类别区域划分不一致。这对于SOM的精确使用是不利的。 本文提出一种适用于类另Il已知问题的SOM构建方案，新方案要求标准化地确定网络结构和初始权值。实验表明 通过这一方案构建的S0：M能够为数据类男4分析提供更好的可视性，网络区域划分更加稳定，训练速度也有一定提 高。 关键词 自组织映射，神经网络，标准化，初始化 Standard SOM Creating Method for Classified Problems LI Wen-bo ZHENG Qi-di (Department of Computer Science and Technology，Ton由i University，Shanghai 201804，China) Abstract SOM belongs tO unsupervised-learning neural networks．It has the ability tO map high-dimensional data tO low-dimensional array，usually two-dimensional array．So soM can provide two-dimensional visualized information which is avery helpful description of the damsel However，using the traditional building process，the networks we get always have blur boundary and the class fields of networks trained with the same data aren’t always the same． These faults make the accurate use of the SOM very difficult．In this paper。we present a novel building method for problems whose classes are already known．The new method requires standardizing the way we determine network structure and initial weight VsIues．Based On Iots of experiments，the Ilew method proved to create networks with bet- ter representation，more stable class field and less training time． Keyw饼ds SOM，Neural network，Standardize，Initialization 1 引言 SOMCl]是一种非监督学习的人工神经网络模 型，该模型能够根据高维数据生成一个二维的比较 符合人类视觉要求的网络，网络中的相邻神经元具 有较高的相似性，从而使得网络形成一定的几何区 域，每个区域对应数据集中的一个类别。这种特征 能够应用于分类和聚类两种问题。对于前者由于类 别已知，因此通常希望训练后的网络能呈现较规则 的几何区域划分，然而由于确定网络结构没有标准 以及自组织的不确定性，网络的几何区域划分不规 则阳]。 对于SOM网络结构的确定及边界模糊问题有 不少学者提出了动态改变的方案。文献[4]提出要 在训练过程中添加神经元，并且不断添加删除神经 元之间的连接。文献E53也提出一种神经元数量随 训练回合增加的模型，但是其神经元是以整行整列 的形式增加。文献E6]贝IJ提出一种分层的网络模型， 当网络不能维持较好的结构时，会有新的网络层出 现，这种自上而下的网络层次结构体现出大类别与 小类别之间的层次结构。文献[4—6]提出的方案对 于类别不可知问题是可行的，但是由于训练中需要 不断修改网络结构，计算量难免会加大，这对于类别 已知问题是不必要的。所以对于类别已知问题，研 究者普遍还是使用传统方案构建SOM。 传统方案包括三个部分：1)根据经验及不断试 验确定网络结构；2)神经元的初始权值采用随机值 或从数据集中随机挑