第8章自适应共振理论
一、竞争学习神经网络
1、采用有导师学习规则的神经网络要求对所学习的样本给出“正确答案”,以便网络据此判断输出的误差,根据误差的大小改进自身的价值,提高正确解决问题的能力。然而在很多情况下,人在认知过程中没有预知的正确模式,人获得大量知识常常是靠“无师自通”,即通过对客观事实的反复观察、分析与比较,自行揭示其内在规律,并对具有共同特征的事物进行正确归类。
自组织神经网络的无导师学习方式更类似于人类大脑中生物神经网络的学习,其最重要的特点是通过自动寻找样本中的内在规律和本质属性,自组织、自适应地改变网络参数与结构。这种学习方式大大拓宽了神经网络在模式识别与分类方面的应用。
自组织网络结构上属于层次型网络,有多种类型,其共同特点是都具有竞争层。最简单的网络结构具有一个输入层和一个竞争层。如下图所示:
输入层负责接收外界信息并将输入模式向竞争曾传递,起“观察”作用,竞争层负责对该模式进行“分析比较”,找出规律以正确归类。
分类是在类别知识等导师信号的指导下,将待识别的输入模式分配到各自的模式类中去。
无导师指导的分类称为聚类,聚类的目的是将相似的模式样本划归一类,而将不相似的分离开,其结果实现了模式样本的类内相似性和类间分离性。通过聚类,可以发现原始样本的分布与特性。
由于无导师学习的训练样本中不含有期望输出,因此对于某一输入模式样本应属于哪一类并没有任何先验知识。对于一组输入模式,只能根据它们之间的相似程度分为若干类,因此相似性是输入模式的聚类依据。
3、相似性测量
神经网络的输入模式用向量表示,比较两个不同模式的相似性可转化为比较两个向量的距离。因而可用模式向量间的距离作为聚类依据。传统模式识别中常用到的两种聚类判据是欧式距离法和余弦法。
、欧式距离法
神经网络ART幻灯片 来自淘豆网m.daumloan.com转载请标明出处.
