自组织网络1(SOM).pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * SOM网的生物学基础 生物学研究的事实表明，在人脑的感觉通道上，神经元的组织原理是有序排列。因此当人脑通过感官接受外界的特定时空信息时，大脑皮层的特定区域兴奋，而且类似的外界信息在对应区域是连续映象的。 对于某一图形或某一频率的特定兴奋过程，神经元的有序排列以及对外界信息的连续映象是自组织特征映射网中竞争机制的生物学基础。 SOM网的拓扑结构 SOM网共有两层，输入层模拟感知外界输入信息的视网膜，输出层模拟做出响应的大脑皮层。 SOM网的权值调整域 SOM网的获胜神经元对其邻近神经元的影响是由近及远，由兴奋逐渐转变为抑制，因此其学习算法中不仅获胜神经元本身要调整权向量，它周围的神经元在其影响下也要程度不同地调整权向量。这种调整可用三种函数表示： SOM网的权值调整域 以获胜神经元为中心设定一个邻域半径，该半径圈定的范围称为优胜邻域。在SOM网学习算法中，优胜邻域内的所有神经元均按其离开获胜神经元的距离远近不同程度地调整权值。 优胜邻域开始定得很大，但其大小随着训练次数的增加不断收缩，最终收缩到半径为零。 SOM网的运行原理 训练阶段 w1 w2 w3 w4 w5 SOM网的运行原理 工作阶段 SOM网的学习算法 (1)初始化 对输出层各权向量赋小随机数并进行归一化处理，得到 ，j=1,2,…m；建立初始优胜邻域Nj*(0)；学习率? 赋初始值。 (2)接受输入 从训练集中随机选取一个输入模式并进行归一化处理，得到 ，p?{1,2,…,P}。 (3)寻找获胜节点 计算 与 的点积，j=1,2,…m，从中选出点积最大的获胜节点j*。 (4)定义优胜邻域Nj* (t) 以j*为中心确定t 时刻的权值调整域，一般初始邻域Nj* (0)较大，训练过程中Nj* (t)随训练时间逐渐收缩。 Kohonen 学习算法 Kohonen学习算法 SOM网的学习算法 (5)调整权值 对优胜邻域Nj*(t)内的所有节点调整权值： i=1,2,…n j?Nj*(t) 式中， 是训练时间t 和邻域内第j 个神经元与获胜神经元 j* 之间的拓扑距离N 的函数，该函数一般有以下规律： Kohonen学习算法 SOM网的学习算法 (5)调整权值 (6)结束检查 学习率是否衰减到零或某个预定的正小数？ Kohonen学习算法 SOM网的学习算法 Kohonen学习算法程序流程 3.网络参数设计 N j* (t) 优胜邻域在训练开始时覆盖整个输出线阵，以后训练次数每增加Δt =tm/P，Nj*(t)邻域两端各收缩一个神经元直至邻域内只剩下获胜神经元。 对η(t)采用了以下模拟退火函数： η0＝0.95 tm＝5000 tp＝1500 SOM网用于物流中心城市分类评价 (1)物流中心城市评价指标与数据样本 简单选取5个评价指标作为网络输入： x1—人均GDP(元)， x2—工业总产值(亿元)， x3—社会消费品零售总额(亿元)， x4—批发零售贸易总额(亿元)， x5—货运总量(万吨)。 44个物流中心城市分类评价样本 SOM网用于物流中心城市分类评价 (2)物流中心城市的分类和评价分析 物流中心城市 全国性物流中心城市 区域性物流中心城市 地区性物流中心城市 综合型 货运型 SOM网用于物流中心城市分类评价 (2)物流中心城市的分类和评价分析 按照SOM算法步骤，取开始的1000次迭代为排序阶段，学习率?=0.9； 其后为收敛阶段，学习率为?= 0.02。 将44个数据样本归一化，输入网络进行训练。经过试验比较，最终取类别数为8，得到如下表所示的分类结果。 物流中心城市分类结果 上机实验说明 任务：用CROSS样本训练SOM网络 权值初始化后的输出平面 训练过程中的输出平面 训练过程中的输出平面 训练过程中的输出平面 训练过程中的输出平面 训练接近尾声的输出平面 Cube 用Cube状样本训练SOM网络 Cubic * * * * * * 自组织神经网络 1竞争学习的概念与原理 2自组织特征映射神经网络 自组织神经网络的典型结构 自组织神经网络 竞争层 输入层 自组织神经网络 自组织学习(self-organized learning) ：