[理学]第十章 SOFM网络.pptVIP

2006-12-27 北京科技大学 自动化系 付冬梅 newsom() 功能 创建一个自组织特征映射网络函数 格式 net = newsom(PR，[D1，D2，...]，TFCN，DFCN，OLR，OSTEPS，TLR，TND) 说明 net为生成的新BP神经网络；PR为网络输入矢量取值范围的矩阵[Pmin Pmax]；[D1，D2，...]为神经元在多维空间中排列时各维的个数；TFCN为拓扑函数，缺省值为hextop；DFCN为距离函数，缺省值为linkdist；OLR为排列阶段学习速率，缺省值为0.9；OSTEPS为排列阶段学习次数，缺省值为1000；TLR为调整阶段学习速率，缺省值为0.02，TND为调整阶段领域半径，缺省值为1。 plotsom() 功能 绘制自组织特征映射网络图的权值向量函数 格式 (1) plotsom(pos) (2) plotsom(W，D，ND) 说明 式中pos是网络中各神经元在物理空间分布的位置坐标矩阵；函数返回神经元物理分布的拓扑图，图中每两个间距小于1的神经元以直线连接；W为神经元权值矩阵；D为根据神经元位置计算出的间接矩阵；ND为领域半径，缺省值为1；函数返回神经元权值的分布图，图中每两个间距小于ND的神经元以直线连接。 yec2ind() 功能 将单值向量组变换成下标向量 格式 ind = vec2ind(vec) 说明 式中，vec为m行n列的向量矩阵x，x中的每个列向量i，除包含一个1外，其余元素均为0， ind为n个元素值为1所在的行下标值构成的一个行向量。 例1 源程序 第九章 SOFM神经网络 9.6 SOFM网络仿真实例 * * 第九章 SOFM神经网络 北京科技大学 信息工程学院 付冬梅 fdm2003@163.com 自组织竞争神经网络类型 自适应共振理论(Adaptive Resonance Theory，ART)网络 自组织特征映射(self-Organizing Map，SOM)网络 对传(Counter Propagation，CP)网络 协同神经网络(Synergetic Neural Network．SNN) 第九章 SOFM神经网络 第九章 SOFM神经网络 由芬兰学者Teuvo Kohonen于1981年提出。 基本上为输入层和映射层的双层结构,映射层的神经元互相连接，每个输出神经元连接至所有输入神经元 。 I’m Teuvo Kohonen 神经网络系统中的一个主要特点是它具有学习功能。通过学习它可以提取一组数据中的重要特征或找出其内在规律和本质属性（如分布特征，或按某种特征聚类），不断调整本身的学习过程，通常把网络的这种功能称为自学习或自组织功能。这种无教师监督，能自动的向环境学习，并根据学习所得到的重要特征来记忆知识的网络统称为自组织神经网络。 自组织特征映射（SOFM, Self-Organizing Feature Map）是芬兰学者Kohonen提出的一种神经网络模型，它模拟了哺乳动物大脑皮质神经的侧抑制、自组织等特性，1984年Kohonen将芬兰语音精确地组织为因素图，1986年又将运动指令组织成运动控制图，由于这些成功应用使SOFM引起世人的高度重视，形成一类很有特色的无师训练神经网络模型。 第九章 SOFM神经网络 SOFM网络的思想来源 SOFM网络的结构模型 SOFM神经元的基本功能函数 SOFM的基本学习算法 仿真实例 几点注意事项 第九章 SOFM神经网络 第九章 SOFM神经网络 9.1 SOFM网络的思想来源 自组织特征映射的思想来源有两个方面 人脑的自组织性 人脑的矢量量化 尽管目前人们对脑细胞如何组织来协调处理复杂信息的过程和机理还不十分清楚，但已有以下几点共识： 人脑的自组织性 (1)原始信息如一句话、一个图形是多维信号，图形可看成一个二维点阵加上三原色颜色等分量。脑皮层尽管有许多沟回，但本质上是一个二维平面的拓扑变形，脑皮层的每个细胞可视作二维平面上一个点。多维信号传递到脑皮层的过程可视作高维空间信号到二维空问信号的降维映射，降维过程去掉了原始信号的次要特征,保留了其主要特征。 第九章 SOFM神经网络 (2)信号空间 中具有相近特征的信号被映射到脑皮层中相近区域时，大致保留了信号在 中的概率分布特征及拓扑结构特征，即大脑有自动归类能力，将信号物以类聚。 (3) 以响应最强的一个神经元为中心，形成一个区域，大致来说，中心强度大，离中心越远越弱。 (4)神经细胞之间有侧抑制，存在竞争。这种竞争是通过反馈实现的，对自己给予最大