课件：神经网络导论第三章.ppt

BAM模型的学习过程 然后重复上述过程，直到系统进入稳定状态，也即ai与bj的状态不再改变为止。这时域FB的输出即为最终所得结果。 双向联想存储器的这种联想和学习方式具有纠错功能，也就是说当输入模式与学习模式不完全相同时，它可以联想出正确的模式。 BAM模型应用 问题描述 在BAM模型中保存了（姓名，电话号码）对。现在假设用户对用户记忆不十分清晰，要求BAM提供正确的联想结果。当然从电话号码找人也是一样的。 模拟 后面内容直接删除就行 资料可以编辑修改使用 资料可以编辑修改使用 主要经营：网络软件设计、图文设计制作、发布广告等 公司秉着以优质的服务对待每一位客户，做到让客户满意！ 致力于数据挖掘，合同简历、论文写作、PPT设计、计划书、策划案、学习课件、各类模板等方方面面，打造全网一站式需求 * * * * * * Hopfield模型应用实例8皇后问题 神经元状态修改 为温度系数，目的是为了避免局部极小。 Hopfield模型应用实例8皇后问题 模拟 第二节 海明神经网络模型 海明模型的结构 海明模型的结构描述 海明网络由匹配子网和竞争子网组成。匹配子网的功能是将输入样本和存储在该子网中的标准模板相互匹配（如计算海明距离等）。而竞争子网是迭代寻找匹配子网中的最大匹配输出。 海明网络的运行机理 匹配子网在学习阶段将若干类别的样本记忆存储在网络的连接权值中；在工作阶段（回忆阶段），该子网计算输入模式和各个样本模式的匹配程度，并将结果送入竞争子网中，由竞争子网选择出匹配子网中最大的输出。从而，实现了对离散输入模式进行在海明距离最小意义下的识别和分类。 海明距离 如果将模式用向量来表示，Hamming距离是指两个模式不同元素的个数。如： A＝(0 0 1 1 0) B=(1 0 1 0 1） 则： H(A, B)=3 海明网络的学习之权值设置 竞争子网的连接权值设置方法： 匹配子网的连接权值设置方法： 海明网络的学习之阈值设置 竞争子网神经元的阈值设置为0； 匹配子网神经元阈值的设置为： N为匹配子网中神经元的个数。 海明网络的回忆过程 海明网络的回忆过程 匹配子网计算匹配度： 将匹配子网的输出送入竞争子网 海明网络的回忆过程 计算竞争子网的初始输出： 竞争子网迭代直至收敛： 函数 f 的选择 函数 f 为非线性阈值函数： 海明网络的特点 这种神经网络与Hopfield神经网络不同，它分别计算未知输入模式与每个已知标准样本模式的Hamming距离，对应距离最小的那个标准样本模式即是可以和输入模式匹配的模式。而对Hopfield网络而言，作为一识别器，要么精确地找到一个可以匹配的标准样本模式，要么找不到，即得到“不能匹配”的结果。 海明神经网络应用 模式识别 海明网络中保存了5幅图象，现对其加噪，或挑选一幅没有学习过的图象，通过求相似性，选取最佳匹配的图象。 模拟 第三节 双向联想存储器（BAM） BAM模型简介 双向联想存储器是由日本的Kosko提出的一种神经网络模型，它是ART神经网络模型（将在第4章中介绍）的一种简化形式， 是一种异联想存储器。它能存储成对的模式 (A1, B1),(A2, B2),…，(AN, BN)。Ai和Bi是不同向量空间中的向量。如果模式A输入到BAM，输出是模式B，且若A与Ai最为接近，B就是在BAM所存储的向量Bi。 BAM模型的结构 在FA中有n个处理单元FA={a1,a2,…，an}，在FB中有p个处 理单元FB= {b1,b2,…, bp} 。每一 个域中的神 经元均与另 域中所有神 经元相连； BAM模型的神经元处理特性 双向联想存储器神经网络模型中的神经元为非线性单元，每个神经元的作用相当于一个非线性函数，这个函数一般取为Ｓ型函数： BAM模型神经元的输出 一般情况下, 每个处理单元的输出取［0,1］之间的值，但在应用中通常取输出值为二值：0或1，这样按处理单元门限规定，每个处理单元要么为开状态，要么为关状态。若输入大于阈值，则输出为1；若输入小于阈值，则输出为0；当输入与阈值相等时，处理单元输出保持原来状态不变。 BAM模型的信息存储 在双向联想存储模型中，所有的信息都是包含在一个n×p的矩阵M中的。这个矩阵M实际上是一个权值矩阵，信息就是由这个权值矩阵来表达。如果M产生一个稳定的双向联想存储器，则所有的输入都可以很快地映射到稳定的输出模式。 BAM模型的存储能力 由于要将不同的联想模式对（Ai，Bi）收敛到局部能量极小点上，所以所要学习的模式对或联想个数m必须小于