自组织神经网路

文章插图
自组织神经网路【自组织神经网路】自组织神经网路是通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网路参数与结构。多层感知器的学习和分类是已知一定的先验知识为条件的，即网路权值的调整是在监督情况下进行的。而在实际套用中，有时并不能提供所需的先验知识，这就需要网路具有能够自学习的能力。Kohonen提出的自组织特徵映射图就是这种具有自学习功能的神经网路。这种网路是基于生理学和脑科学研究成果提出的。
基本介绍中文名：自组织神经网路
外文名：The self-organizing neural network
实质：先验知识为条件
特点：监督情况下进行
简介

文章插图
脑神经科学研究表明：传递感觉的神经元排列是按某种规律有序进行的，这种排列往往反映所感受的外部刺激的某些物理特徵。例如，在听觉系统中，神经细胞和纤维是按照其最敏感的频率分布而排列的。为此，Kohonen认为，神经网路在接受外界输入时，将会分成不同的区域，不同的区域对不同的模式具有不同的回响特徵，即不同的神经元以最佳方式回响不同性质的信号激励，从而形成一种拓扑意义上的有序图。这种有序图也称之为特徵图，它实际上是一种非线性映射关係，它将信号空间中各模式的拓扑关係几乎不变地反映在这张图上，即各神经元的输出回响上。由于这种映射是通过无监督的自适应过程完成的，所以也称它为自组织特徵图。在这种网路中，输出节点与其邻域其它节点广泛相连，并相互激励。输入节点和输出节点之间通过强度Wij(t)相连线。通过某种规则，不断地调整Wij(t)，使得在稳定时，每一邻域的所有节点对某种输入具有类似的输出，并且这聚类的机率分布与输入模式的机率分布相接近。自组织神经网路最大的优点是自适应权值，极大方便寻找最优解，但同时，在初始条件较差时，易陷入局部极小值。自组织学习英文：self-organizedlearning通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网路参数与结构。自组织网路的自组织功能是通过竞争学习（competitivelearning）实现的。算法完成自组织特徵映射的算法较多。下面给出一种常用的自组织算法：(1)权值初始化并选定邻域的大小；(2)输入模式；(3)计算空间距离dj(dj是所有输入节点与连线强度之差的平方和）。(4)选择节点j，它满足min(dj)；(5)改变j，和其邻域节点的连线强度；(6)回(2)，直到满足dj(i)