自組織神經(jīng)網(wǎng)絡(luò)方法及其應(yīng)用

自組織神經(jīng)網(wǎng)絡(luò)方法及其應(yīng)用第1頁(yè)，共67頁(yè)，2023年，2月20日，星期二自組織神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)第四章自組織神經(jīng)網(wǎng)絡(luò)競(jìng)爭(zhēng)層輸入層第2頁(yè)，共67頁(yè)，2023年，2月20日，星期二第四章自組織神經(jīng)網(wǎng)絡(luò)自組織學(xué)習(xí)(self-organizedlearning)：

通過(guò)自動(dòng)尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)。自組織網(wǎng)絡(luò)的自組織功能是通過(guò)競(jìng)爭(zhēng)學(xué)習(xí)（competitivelearning）實(shí)現(xiàn)的。

第3頁(yè)，共67頁(yè)，2023年，2月20日，星期二4.1競(jìng)爭(zhēng)學(xué)習(xí)的概念與原理4.1.1基本概念分類——分類是在類別知識(shí)等導(dǎo)師信號(hào)的指導(dǎo)下，將待識(shí)別的輸入模式分配到各自的模式類中去。聚類——無(wú)導(dǎo)師指導(dǎo)的分類稱為聚類，聚類的目的是將相似的模式樣本劃歸一類，而將不相似的分離開。第4頁(yè)，共67頁(yè)，2023年，2月20日，星期二

相似性測(cè)量＿歐式距離法4.1.1基本概念第5頁(yè)，共67頁(yè)，2023年，2月20日，星期二

相似性測(cè)量＿余弦法4.1.1基本概念第6頁(yè)，共67頁(yè)，2023年，2月20日，星期二4.1.2競(jìng)爭(zhēng)學(xué)習(xí)原理競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則——Winner-Take-All

網(wǎng)絡(luò)的輸出神經(jīng)元之間相互競(jìng)爭(zhēng)以求被激活，結(jié)果在每一時(shí)刻只有一個(gè)輸出神經(jīng)元被激活。這個(gè)被激活的神經(jīng)元稱為競(jìng)爭(zhēng)獲勝神經(jīng)元，而其它神經(jīng)元的狀態(tài)被抑制，故稱為WinnerTakeAll。第7頁(yè)，共67頁(yè)，2023年，2月20日，星期二競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則——Winner-Take-All1.向量歸一化

首先將當(dāng)前輸入模式向量X和競(jìng)爭(zhēng)層中各神經(jīng)元對(duì)應(yīng)的內(nèi)星向量Wj全部進(jìn)行歸一化處理；(j=1,2,…,m)第8頁(yè)，共67頁(yè)，2023年，2月20日，星期二向量歸一化之前第9頁(yè)，共67頁(yè)，2023年，2月20日，星期二向量歸一化之后第10頁(yè)，共67頁(yè)，2023年，2月20日，星期二競(jìng)爭(zhēng)學(xué)習(xí)原理競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則——Winner-Take-All2.尋找獲勝神經(jīng)元

當(dāng)網(wǎng)絡(luò)得到一個(gè)輸入模式向量時(shí)，競(jìng)爭(zhēng)層的所有神經(jīng)元對(duì)應(yīng)的內(nèi)星權(quán)向量均與其進(jìn)行相似性比較，并將最相似的內(nèi)星權(quán)向量判為競(jìng)爭(zhēng)獲勝神經(jīng)元。欲使兩單位向量最相似，須使其點(diǎn)積最大。即：第11頁(yè)，共67頁(yè)，2023年，2月20日，星期二

從上式可以看出，欲使兩單位向量的歐式距離最小，須使兩向量的點(diǎn)積最大。即：競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則——Winner-Take-All第12頁(yè)，共67頁(yè)，2023年，2月20日，星期二競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則——?jiǎng)僬邽橥?Winner-Take-All)3.網(wǎng)絡(luò)輸出與權(quán)值調(diào)整jj*

步驟3完成后回到步驟1繼續(xù)訓(xùn)練，直到學(xué)習(xí)率衰減到0。第13頁(yè)，共67頁(yè)，2023年，2月20日，星期二競(jìng)爭(zhēng)學(xué)習(xí)的幾何意義?第14頁(yè)，共67頁(yè)，2023年，2月20日，星期二競(jìng)爭(zhēng)學(xué)習(xí)的幾何意義

*

1W?

*?jW

*

)](?)(?)[()(*ttttjpWXW-=hD

*┆

)(?*1tj+W

)(?tpX

jW?

mW?

*

…

***第15頁(yè)，共67頁(yè)，2023年，2月20日，星期二競(jìng)爭(zhēng)學(xué)習(xí)游戲?qū)⒁痪S樣本空間的12個(gè)樣本分為3類第16頁(yè)，共67頁(yè)，2023年，2月20日，星期二競(jìng)爭(zhēng)學(xué)習(xí)游戲w1w2w3x訓(xùn)練樣本集o1o1o1第17頁(yè)，共67頁(yè)，2023年，2月20日，星期二例4.1用競(jìng)爭(zhēng)學(xué)習(xí)算法將下列各模式分為2類：解：為作圖方便，將上述模式轉(zhuǎn)換成極坐標(biāo)形式：競(jìng)爭(zhēng)層設(shè)兩個(gè)權(quán)向量，隨機(jī)初始化為單位向量：第18頁(yè)，共67頁(yè)，2023年，2月20日，星期二第19頁(yè)，共67頁(yè)，2023年，2月20日，星期二第20頁(yè)，共67頁(yè)，2023年，2月20日，星期二第21頁(yè)，共67頁(yè)，2023年，2月20日，星期二第22頁(yè)，共67頁(yè)，2023年，2月20日，星期二第23頁(yè)，共67頁(yè)，2023年，2月20日，星期二第24頁(yè)，共67頁(yè)，2023年，2月20日，星期二第25頁(yè)，共67頁(yè)，2023年，2月20日，星期二第26頁(yè)，共67頁(yè)，2023年，2月20日，星期二第27頁(yè)，共67頁(yè)，2023年，2月20日，星期二第28頁(yè)，共67頁(yè)，2023年，2月20日，星期二第29頁(yè)，共67頁(yè)，2023年，2月20日，星期二4.2自組織特征映射神經(jīng)網(wǎng)絡(luò)

（Self-OrganizingfeatureMap）1981年芬蘭Helsink大學(xué)的T.Kohonen教授提出一種自組織特征映射網(wǎng)，簡(jiǎn)稱SOM網(wǎng)，又稱Kohonen網(wǎng)。

Kohonen認(rèn)為：一個(gè)神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時(shí)，將會(huì)分為不同的對(duì)應(yīng)區(qū)域，各區(qū)域?qū)斎肽Ｊ骄哂胁煌捻憫?yīng)特征，而且這個(gè)過(guò)程是自動(dòng)完成的。自組織特征映射正是根據(jù)這一看法提出來(lái)的，其特點(diǎn)與人腦的自組織特性相類似。第30頁(yè)，共67頁(yè)，2023年，2月20日，星期二SOM網(wǎng)的生物學(xué)基礎(chǔ)

生物學(xué)研究的事實(shí)表明，在人腦的感覺通道上，神經(jīng)元的組織原理是有序排列。因此當(dāng)人腦通過(guò)感官接受外界的特定時(shí)空信息時(shí)，大腦皮層的特定區(qū)域興奮，而且類似的外界信息在對(duì)應(yīng)區(qū)域是連續(xù)映象的。對(duì)于某一圖形或某一頻率的特定興奮過(guò)程，神經(jīng)元的有序排列以及對(duì)外界信息的連續(xù)映象是自組織特征映射網(wǎng)中競(jìng)爭(zhēng)機(jī)制的生物學(xué)基礎(chǔ)。第31頁(yè)，共67頁(yè)，2023年，2月20日，星期二SOM網(wǎng)的拓?fù)浣Y(jié)構(gòu)

SOM網(wǎng)共有兩層，輸入層模擬感知外界輸入信息的視網(wǎng)膜，輸出層模擬做出響應(yīng)的大腦皮層。

第32頁(yè)，共67頁(yè)，2023年，2月20日，星期二SOM網(wǎng)的權(quán)值調(diào)整域

SOM網(wǎng)的獲勝神經(jīng)元對(duì)其鄰近神經(jīng)元的影響是由近及遠(yuǎn)，由興奮逐漸轉(zhuǎn)變?yōu)橐种?，因此其學(xué)習(xí)算法中不僅獲勝神經(jīng)元本身要調(diào)整權(quán)向量，它周圍的神經(jīng)元在其影響下也要程度不同地調(diào)整權(quán)向量。這種調(diào)整可用三種函數(shù)表示：第33頁(yè)，共67頁(yè)，2023年，2月20日，星期二第34頁(yè)，共67頁(yè)，2023年，2月20日，星期二SOM網(wǎng)的權(quán)值調(diào)整域

以獲勝神經(jīng)元為中心設(shè)定一個(gè)鄰域半徑，該半徑圈定的范圍稱為優(yōu)勝鄰域。在SOM網(wǎng)學(xué)習(xí)算法中，優(yōu)勝鄰域內(nèi)的所有神經(jīng)元均按其離開獲勝神經(jīng)元的距離遠(yuǎn)近不同程度地調(diào)整權(quán)值。

優(yōu)勝鄰域開始定得很大，但其大小隨著訓(xùn)練次數(shù)的增加不斷收縮，最終收縮到半徑為零。第35頁(yè)，共67頁(yè)，2023年，2月20日，星期二SOM網(wǎng)的運(yùn)行原理訓(xùn)練階段w1w2w3

w4

w5第36頁(yè)，共67頁(yè)，2023年，2月20日，星期二SOM網(wǎng)的運(yùn)行原理工作階段第37頁(yè)，共67頁(yè)，2023年，2月20日，星期二SOM網(wǎng)的學(xué)習(xí)算法(1)初始化對(duì)輸出層各權(quán)向量賦小隨機(jī)數(shù)并進(jìn)行歸一化處理，得到，j=1,2,…m；建立初始優(yōu)勝鄰域Nj*(0)；學(xué)習(xí)率

賦初始值。(2)接受輸入從訓(xùn)練集中隨機(jī)選取一個(gè)輸入模式并進(jìn)行歸一化處理，得到，p{1,2,…,P}。(3)尋找獲勝節(jié)點(diǎn)計(jì)算與的點(diǎn)積，j=1,2,…m，從中選出點(diǎn)積最大的獲勝節(jié)點(diǎn)j*。(4)定義優(yōu)勝鄰域Nj*

(t)

以j*為中心確定t時(shí)刻的權(quán)值調(diào)整域，一般初始鄰域Nj*

(0)較大，訓(xùn)練過(guò)程中Nj*

(t)隨訓(xùn)練時(shí)間逐漸收縮。Kohonen學(xué)習(xí)算法第38頁(yè)，共67頁(yè)，2023年，2月20日，星期二Kohonen學(xué)習(xí)算法SOM網(wǎng)的學(xué)習(xí)算法第39頁(yè)，共67頁(yè)，2023年，2月20日，星期二(5)調(diào)整權(quán)值對(duì)優(yōu)勝鄰域Nj*(t)內(nèi)的所有節(jié)點(diǎn)調(diào)整權(quán)值：

i=1,2,…n

jNj*(t)

式中，是訓(xùn)練時(shí)間t和鄰域內(nèi)第j個(gè)神經(jīng)元與獲勝神經(jīng)元j*之間的拓?fù)渚嚯xN

的函數(shù)，該函數(shù)一般有以下規(guī)律：Kohonen學(xué)習(xí)算法SOM網(wǎng)的學(xué)習(xí)算法第40頁(yè)，共67頁(yè)，2023年，2月20日，星期二(5)調(diào)整權(quán)值(6)結(jié)束檢查學(xué)習(xí)率是否衰減到零或某個(gè)預(yù)定的正小數(shù)？Kohonen學(xué)習(xí)算法SOM網(wǎng)的學(xué)習(xí)算法第41頁(yè)，共67頁(yè)，2023年，2月20日，星期二Kohonen學(xué)習(xí)算法程序流程第42頁(yè)，共67頁(yè)，2023年，2月20日，星期二功能分析(1)保序映射——將輸入空間的樣本模式類有序地映射在輸出層上。例1：動(dòng)物屬性特征映射。第43頁(yè)，共67頁(yè)，2023年，2月20日，星期二功能分析第44頁(yè)，共67頁(yè)，2023年，2月20日，星期二(2)數(shù)據(jù)壓縮——

將高維空間的樣本在保持拓?fù)浣Y(jié)構(gòu)不變的條件下投影到低維空間。(3)特征抽取——

高維空間的向量經(jīng)過(guò)特征抽取后可以在低維特征空間更加清晰地表達(dá)。例2：SOM網(wǎng)用于字符排序。功能分析第45頁(yè)，共67頁(yè)，2023年，2月20日，星期二第46頁(yè)，共67頁(yè)，2023年，2月20日，星期二SOM網(wǎng)在皮革配皮中的應(yīng)用

要生產(chǎn)出優(yōu)質(zhì)皮衣，必須保證每件皮衣所用皮料在顏色和紋理方面的相似性。在生產(chǎn)中，通常由有經(jīng)驗(yàn)的工人根據(jù)皮料顏色、紋理的相近程度進(jìn)行分類。這道稱為“配皮”的工序，因光照條件、工人經(jīng)驗(yàn)不同以及情緒、體力等因素變化的影響，質(zhì)量難于保證。計(jì)算機(jī)皮革檢測(cè)與分類系統(tǒng)可對(duì)成批皮革的顏色及紋理進(jìn)行在線檢測(cè)、特征值提取及快速分類，從而代替了傳統(tǒng)的手工操作，取得了良好的效果。

第47頁(yè)，共67頁(yè)，2023年，2月20日，星期二系統(tǒng)硬件組成CCD彩色攝像機(jī)解碼器（PAL)圖像采集卡及幀存儲(chǔ)器計(jì)算機(jī)486/66彩色監(jiān)視器打印機(jī)標(biāo)準(zhǔn)燈箱

皮革皮料傳送帶D65光源第48頁(yè)，共67頁(yè)，2023年，2月20日，星期二基于SOM神經(jīng)網(wǎng)絡(luò)的皮革聚類1.顏色紋理特征提取顏色參數(shù):CIE1996均勻顏色空間值

l*,a*,b*紋理參數(shù):梯度均值μ2,梯度標(biāo)差σ2,及梯度墑T8。皮革外觀由６維輸入矢量

I=[l*,a*,b*,

μ2,σ2,T8]描述

第49頁(yè)，共67頁(yè)，2023年，2月20日，星期二2.SOM神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu):6輸入1維線陣輸出。聚類時(shí)每批100張皮，平均每件皮衣需要5～6張皮，因此將輸出層設(shè)置20個(gè)神經(jīng)元。每個(gè)神經(jīng)元代表一類外觀效果相似的皮料，如果聚為一類的皮料不夠做一件皮衣，可以和相鄰類歸并使用。

基于SOM神經(jīng)網(wǎng)絡(luò)的皮革聚類第50頁(yè)，共67頁(yè)，2023年，2月20日，星期二3.網(wǎng)絡(luò)參數(shù)設(shè)計(jì)

Nj*

(t)優(yōu)勝鄰域在訓(xùn)練開始時(shí)覆蓋整個(gè)輸出線陣，以后訓(xùn)練次數(shù)每增加Δt=tm/P，Nj*(t)鄰域兩端各收縮一個(gè)神經(jīng)元直至鄰域內(nèi)只剩下獲勝神經(jīng)元。

對(duì)η(t)采用了以下模擬退火函數(shù)：η0＝0.95tm＝5000tp＝1500第51頁(yè)，共67頁(yè)，2023年，2月20日，星期二4.皮革紋理分類結(jié)果

基于SOM神經(jīng)網(wǎng)絡(luò)的皮革聚類第52頁(yè)，共67頁(yè)，2023年，2月20日，星期二SOM網(wǎng)用于物流中心城市分類評(píng)價(jià)

(1)物流中心城市評(píng)價(jià)指標(biāo)與數(shù)據(jù)樣本簡(jiǎn)單選取5個(gè)評(píng)價(jià)指標(biāo)作為網(wǎng)絡(luò)輸入：x1—人均GDP(元)，x2—工業(yè)總產(chǎn)值(億元)，x3—社會(huì)消費(fèi)品零售總額(億元)，x4—批發(fā)零售貿(mào)易總額(億元)，x5—貨運(yùn)總量(萬(wàn)噸)。

第53頁(yè)，共67頁(yè)，2023年，2月20日，星期二44個(gè)物流中心城市分類評(píng)價(jià)樣本

第54頁(yè)，共67頁(yè)，2023年，2月20日，星期二SOM網(wǎng)用于物流中心城市分類評(píng)價(jià)

(2)物流中心城市的分類和評(píng)價(jià)分析

物流中心城市

全國(guó)性物流中心城市區(qū)域性物流中心城市地區(qū)性物流中心城市綜合型貨運(yùn)型第55頁(yè)，共67頁(yè)，2023年，2月20日，星期二SOM網(wǎng)用于物流中心城市分類評(píng)價(jià)

(2)物流中心城市的分類和評(píng)價(jià)分析

按照SOM算法步驟，取開始的1000次迭代為排序階段，學(xué)習(xí)率=0.9；