人工神经网络 --------SOM网络.pptVIP

人工神经网络 --------SOM网络 姓名：武恩贺 学号网络要求 设计训练一个自组织竞争的人工神经网络（SOM网络）,该网络能识别26个大写英文字母。此网络经过训练后，当给出一个表示字母的输入时，网络能够正确的在输出端指出该字母。 输入层为35个神经元，竞争层是8×12的二维阵列结构。 用5×7的布尔矩阵来表示每一个字母 程序说明 网络训练过程中，可以有两种训练方式： 方式1：将26个输入模式作为一个整体，整体训练一次以后，将迭代次数加1，然后调整学习效率以及邻域大小，然后进入第二次的迭代过程，……直到迭代结束。 方式2：对每一个输入模式单独进行训练，当该模式训练达到要求后，即竞争层的某个节点的权向量与该输入向量之间一致或很相近时，再进行下一输入模式的训练。 程序说明 编程过程中，采用方式1进行训练时，最好情况下只识别出了8个字母，效果不是很好。 本程序中采用了方式2的训练方式。训练过程中，当前一个输入模式训练达到要求后，与该输入模式相对应的节点的权值在后续的其它输入模式的训练中，不再被调整。 程序说明 采用的相关公式： 权值调整： 学习效率： 邻域调整： 欧氏距离： 程序相关参数描述 输入层：InputLayerNum = 35 输出层：OutputLayerRow = 8 OutputLayerColumn = 12 学习效率：efficiency = 0.9 迭代上限：total_iteration_Num = 80 精 度：error_limit = 0.0000000000008 输出层各个神经元的权向量采用随机赋值方式，赋值为0~1之间的某个值。 训练结果 训练结果 左图为训练后获胜节点的位置，右图为输入标准数据情况下的测试结果。 测试结果 当采用非标准数据输入时，能否正确识别？将标准数据左上角数据取反，即原来为1则变为0，原来为0则变为1。右上角数据取反，最下面中间位置也取反。如下图示： 0 0 1 0 0 1 0 1 0 1 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 1 0 1 测试结果 左图为输入标准数据情况下的测试结果，右图为输入非标准数据情况下的测试结果。画亮 绿色线的部分表示不能正确识别的情况。 测试结果 如果将标准数据左上角数据取反，右下角数据也取反。如下图示： 0 0 1 0 0 1 0 1 0 1 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0 1 0 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 1 0 0 测试结果 左图为输入标准数据情况下的测试结果，右图为输入非标准数据情况下的测试结果。画亮 绿色线的部分表示不能正确识别的情况。 测试结果 当仅将标准输入数据的最左上角数据取反时，经测试，这时26个字母全部能够正确识别。 相关讨论 当学习效率efficiency = 0.3时，这时训练时迭代的次数增多,迭代上限total_iteration_Num也相应变大。当total_iteration_Num=10000时，精度等其它参数不变情况下，经迭代1158次网络满足要求。标准输入时，26个字母能够完全识别。迭代次数情况如图： 相关讨论 当其它参数不变，即： efficiency = 0.3， total_iteration_Num=10000，而精度降低error_limit=0.1时，仅需189次迭代网络就训练完。但是网络的识别力将变差。标准输入情况下，只能正确识别23个字母。 The End, Thanks! * Artificial Neuro Network 在上述参数情况下，程序经303次迭代后满足了要求。左图为各个字母的迭代次数以及总的迭代次数。可以看出各种输入下的迭代次数都没有达到80次。这是因为设置了精度，当欧氏距离达到精度后则停止迭代。