1、人工神经网络及其应人工神经网络及其应用之自组织网络用之自组织网络一、自组织神经网络二、自组织竞争网络三、科荷伦网络四、自适应共振网络五、内容小结六、考试事宜内容安排2023-8-52人工神经网络及其应用之自组织网络1.1 自组织网络特点1.2 网络类型1.3 网络学习规则一、自组织神经网络2023-8-53人工神经网络及其应用之自组织网络1.1 自组织网络特点特点自组织神经网络可以自动向环境学习，不需要教师指导；而前面所讲到的前向网络、反馈网络均需要教师指导学习与BP网络相比，这种自组织自适应的学习能力进一步拓宽了人工神经网络在模式识别、分类方面的应用思想基础生物的神经网络中，如人的视网膜中，
2、存在着一种“侧抑制”现象，即一个神经细胞兴奋后，通过它的分支会对周围其他神经细胞产生抑制借鉴上述思想，自组织网络能够对输入模式进行自组织训练和判断，并将输入模式分为不同的类型2023-8-54人工神经网络及其应用之自组织网络1.2 网络类型需要训练自组织竞争网络 适用与具有典型聚类特性的大量数据的辨识Kohunen网络 训练学习后使网络权值分布与输入样本概率密度分布相似 可以作为样本特征检测仪，在样本排序、样本分类及样本检测方面有广泛应用对传网络（Counter Propagation Network）在功能上用作统计最优化和概率密度函数分析 可用于图像处理和统计分析神经认知机等不需要训练自适
3、应共振理论（ART）分类的类型数目可自适应增加2023-8-55人工神经网络及其应用之自组织网络1.3 网络学习规则格劳斯贝格(SGrossberg)提出了两种类型的神经元模型：内星与外星，用以来解释人类及动物的学习现象内星可以被训练来识别矢量外星可以被训练来产生矢量基本学习规则内星学习规则外星学习规则科荷伦学习规则2023-8-56人工神经网络及其应用之自组织网络1.3.1 内星与外星外星通过联接权矢量向外输出一组信号A内星通过联接权矢量W接受一组输入信号P 2023-8-57人工神经网络及其应用之自组织网络1.3.2 内星学习规则可以通过内星及其学习规则可训练某一神经元节点只响应特定的输入
4、矢量P，它借助于调节网络权矢量W近似于输入矢量P来实现的单内星中对权值修正的格劳斯贝格内星学习规则为内星神经元联接强度的变化w1j与输出成正比的。如果内星输出a被某一外部方式而维护高值时，通过不断反复地学习，趋使w1j逐渐减少，直至最终达到w1jpj，从而使内星权矢量学习了输入矢量P，达到了用内星来识别一个矢量的目的另一方面，如果内星输出保持为低值时，网络权矢量被学习的可能性较小，甚至不能被学习2023-8-58人工神经网络及其应用之自组织网络1.3.3 外星学习规则外星网络的激活函数是线性函数。它被用来学习回忆一个矢量，其网络输入P也可以是另一个神经元模型的输出外星被训练来在一层s个线性神经
5、元的输出端产生一个特别的矢量A对于一个外星，其学习规则为与内星不同，外星联接强度的变化w是与输入矢量P成正比的 当输入矢量被保持高值，比如接近1时，每个权值wij将趋于输出ai值，若pj1，则外星使权值产生输出矢量 当输入矢量pj为0时，网络权值得不到任何学习与修正2023-8-59人工神经网络及其应用之自组织网络1.3.3 外星学习规则当有r个外星相并联，每个外星与s个线性神经元相连组成一层外星时，其权值修正方式为Wsr权值列矢量lr学习速率Asq外星输出Prq外星输入2023-8-510人工神经网络及其应用之自组织网络1.3.4 科荷伦学习规则科荷伦学习规则是由内星规则发展而来的科荷伦规则
6、科荷伦学习规则实际上是内星学习规则的一个特例，但它比采用内星规则进行网络设计要节省更多的学习，因而常常用来替代内星学习规则2023-8-511人工神经网络及其应用之自组织网络二、自组织网络2.1 网络模型2.2 竞争网络原理2.3 网络训练2023-8-512人工神经网络及其应用之自组织网络2.1 网络模型网络结构 竞争网络由单层神经元网络组成，其输入节点与输出节点之间为全互联结。因为网络在学习中的竞争特性也表现在输出层上，所以在竞争网络中把输出层又称为竞争层，而与输入节点相连的权值及其输入合称为输入层2023-8-513人工神经网络及其应用之自组织网络2.1 网络模型网络权值的类型输入节点j
7、到i的权值wij(i1，2、s；j1，2、r)，这些权值是通过训练可以被调整的竞争层中互相抑制的权值wik(k1，2、s)。这类权值固定不变，且满足一定的分布关系 是一种对称权值，即有wikwki 相同神经元之间的权值起加强的作用，即满足w11w11wkk0，而不同神经元之间的权值相互抑制，对于ki有wij02023-8-514人工神经网络及其应用之自组织网络2.1 网络模型网络工作方式输入矢量经过网络前向传递网络竞争 激活函数为硬限制二值函数 竞争网络的激活函数使加权输入和为最大的节点赢得输出为1，而其他神经元的输出皆为0(?)权值调整（可以处于训练与工作期间）竞争网络在经过竞争而求得获胜节
8、点后，则对与获胜节点相连的权值进行调整 调整权值的目的是为了使权值与其输入矢量之间的差别越来越小，从而使训练后的竞争网络的权值能够代表对应输入矢量的特征2023-8-515人工神经网络及其应用之自组织网络2.2 竞争网络原理竞争网络解释设网络的输入矢量为：P p1 p2 prT对应网络的输出矢量为：Aa1 a2 asT由于竞争网络中含有两种权值，所以其激活函数的加权输入和也分为两部分：来自输入节点的加权输入和N与来自竞争层内互相抑制的加权输入和G。对于第i个神经元有 来自输入节点的加权输入和为 来自竞争层内互相抑制的加权输入和为2023-8-516人工神经网络及其应用之自组织网络2.2 竞争网
9、络原理对于第i个输出神经元假设竞争获胜，则有 从而 如果竞争后第i个节点“输”了，而“赢”的节点为l，则有2023-8-517人工神经网络及其应用之自组织网络2.2 竞争网络原理所以对整个网络的加权输入总和有下式成立sl=nl+wll 对于“赢”的节点lsi=ni-|wii|对于所有”输“的节点i1，2s，il由此可以看出，经过竞争后只有获胜的那个节点的加权输入总和为最大竞争网络的输出为因此判断竞争网络节点胜负的结果时，可直接采用ni2023-8-518人工神经网络及其应用之自组织网络2.3 网络训练竞争网络修正权值的公式为式中lr为学习速率，且0lr1，一般的取值范围为0.01-0.3；pj
10、为经过归一化处理后的输入层中每个最接近输入矢量的神经元，通过每次权值调整而使权值矢量逐渐趋于这些输入矢量。从而竞争网络通过学习而识别了在网络输入端所出现的矢量，并将其分为某一类2023-8-519人工神经网络及其应用之自组织网络2.3 网络训练举例考虑当不同的输入矢量p1和p2分别出现在同一内星时的情况为了训练的需要，必须将每一输入矢量都进行单位归一化处理当第一个矢量p1输入给内星后，网络经过训练，最终达到W(p1)T。给内星输入另一个输入矢量p2，此时内星的加权输入和为新矢量p2与已学习过矢量p1的点积输入矢量的模已被单位化为1，所以内星的加权输入和等于输入矢量p1和p2之间夹角的余弦202
11、3-8-520人工神经网络及其应用之自组织网络2.3 网络训练根据不同的情况，内星的加权输入和可分为如下几种情况p2等于p1，即有120，此时，内星加权输入和为1p2不等于p1，内星加权输入和为0,按照科荷伦学习规则修改竞争层权值以使该类权值更加接近于新输入模式 如果R=0,在网络中设立一个新模式，用以代表和记忆新模式，并将其归结为已有的代表类别，成为R层的一个新的输出节点，作为以后可能输入的代表模式权值修正阶段 当外界输入P与所激活的外星权矢量充分相似时，网络发生共振，本次学习与训练结束 否则，进行特别的处理，直到共振现象发生时对本次输入的训练过程才最终结束2023-8-533人工神经网络及
12、其应用之自组织网络五、内容小结本次课程简单介绍自组织神经网络的特点以及与其它类型神经网络的区别介绍了自组织神经网络的三种学习规则；四种神经网络类型对自组织竞争网络、科荷伦网络和ART网络的原理、网络结构和训练与工作方式进行了介绍ART网络相对其它自组织网络之间有较大的优势，将学习与工作过程结合在一起，并较好地解决了学习与记忆的问题2023-8-534人工神经网络及其应用之自组织网络五、内容小结本学期神经网络课程的全部内容至此结束主要的内容包括简单介绍人工神经网络与生物神经系统、人工智能学科之间关系介绍了神经网络的基本网络结构和学习规则以典型网络模型为代表分别介绍了三种主要的神经网络，前向神经网
13、络、反馈神经网络和自组织神经网络介绍了学习和应用神经网络的基本方法 网络设计思想 网络结构和应用设计 学习与训练算法简单分析了神经网络的稳定性问题及理论 BP网络的收敛速度和稳定问题 反馈网络和Hopfield网络的稳定性问题神经网络更多精彩之处需要大家在今后的学习与应用中去发掘，包括稳定性、随机神经网络、VLSI设计等2023-8-535人工神经网络及其应用之自组织网络六、考试事宜考试内容：以上课所讲内容为主考试方式：闭卷考试时间：课程结束后四周Research Report上交时间：课程结束后八周可以以个人或者小组方式提交Research Report内容可以包括各种神经网络研究进展、应用的概述，或者是结合相关的研究课题所做的神经网络的分析或者应用的研究。均需要附恰当的一定数量的文献如果属于概述，需要有一定的及时性、深度和广度如果属于应用研究，需要包括基本问题介绍、应用神经网络的优势分析、实验和结果的对比和分析成绩公布时间：课程结束后十周2023-8-536人工神经网络及其应用之自组织网络The EndQuestions&Suggestions？Thanks！2023-8-537人工神经网络及其应用之自组织网络
