競爭神經(jīng)網(wǎng)絡(luò)

競爭型網(wǎng)絡(luò)只有兩層，輸出層又被稱為核心層，在一次計算中只有一個輸出神經(jīng)元獲勝，獲勝的神經(jīng)元標記為1，其余神經(jīng)元標記為0.

競爭神經(jīng)網(wǎng)絡(luò)學習規(guī)則是由內(nèi)星規(guī)則發(fā)展而來的Kohonen學習規(guī)則。

?自組織特征映射網(wǎng)絡(luò)

自組織特征映射網(wǎng)絡(luò)（Self-Organizing Feature Maps,SOFM）又稱自組織映射網(wǎng)絡(luò)（SOM）。與競爭性網(wǎng)絡(luò)非常相似，神經(jīng)元都具有競爭性，都采用無監(jiān)督學習方式。自組織映射網(wǎng)絡(luò)只包含輸入層、輸出層兩層網(wǎng)絡(luò)，但在輸出層引入網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，可以更好地模擬生物學中的側(cè)抑制現(xiàn)象。相鄰的輸出神經(jīng)元也通過權(quán)值相連，輸出神經(jīng)元以一維、二維或者多維的拓撲結(jié)構(gòu)排列，網(wǎng)絡(luò)對輸入向量進行無監(jiān)督訓練，輸出神經(jīng)元根據(jù)距離的遠近決定抑制關(guān)系，最終使得連接權(quán)值的分布與輸入模式漸趨一致。當輸入新的樣本時，系統(tǒng)就以拓撲結(jié)構(gòu)的形式輸出分類結(jié)果。

學習矢量量化網(wǎng)絡(luò)

當已知樣本的標簽時，將自組織競爭的思想和有監(jiān)督學習相結(jié)合，這就是學習矢量量化網(wǎng)絡(luò)（Learning Vector Quantization,LVQ）。

demo坐標點的分類

% m_compet.m%% 清理 clear,clc close all%% 樣本數(shù)據(jù) x0=[4.1,1.8,0.5,2.9,4.0,0.6,3.8,4.3,3.2,1.0,3.0,3.6,3.8,3.7,3.7,8.6,9.1,...7.5,8.1,9.0,6.9,8.6,8.5,9.6,10.0,9.3,6.9,6.4,6.7,8.7;...8.1,5.8,8.0,5.2,7.1,7.3,8.1,6.0,7.2,8.3,7.4,7.8,7.0,6.4,8.0,...3.5,2.9,3.8,3.9,2.6,4.0,2.9,3.2,4.9,3.5,3.3,5.5,5.0,4.4,4.3];%% 建立競爭網(wǎng)絡(luò)，兩個類別 net = competlayer(2);%% 訓練 net.trainParam.epochs=400; tic net=train(net,x0); toc%% 計算結(jié)果 y=net(x0); calsses = vec2ind(y); fprintf('分類結(jié)果\n'); disp(calsses) view(net)

?

轉(zhuǎn)載于:https://www.cnblogs.com/larry-xia/p/9534138.html

總結(jié)

以上是生活随笔為你收集整理的自组织竞争神经网络的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。