自組織神經(jīng)網(wǎng)絡(luò)(SOM)方法及其應(yīng)用

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)層輸入層本文檔共66頁(yè)；當(dāng)前第1頁(yè)；編輯于星期一\1點(diǎn)48分第四章自組織神經(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。

本文檔共66頁(yè)；當(dāng)前第2頁(yè)；編輯于星期一\1點(diǎn)48分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(lèi)——分類(lèi)是在類(lèi)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(lèi)中去。聚類(lèi)——無(wú)導(dǎo)師指導(dǎo)的分類(lèi)稱(chēng)為聚類(lèi)，聚類(lèi)的目的是將相似的模式樣本劃歸一類(lèi)，而將不相似的分離開(kāi)。本文檔共66頁(yè)；當(dāng)前第3頁(yè)；編輯于星期一\1點(diǎn)48分相似性測(cè)量＿歐式距離法4.1.1基本概念本文檔共66頁(yè)；當(dāng)前第4頁(yè)；編輯于星期一\1點(diǎn)48分相似性測(cè)量＿余弦法4.1.1基本概念本文檔共66頁(yè)；當(dāng)前第5頁(yè)；編輯于星期一\1點(diǎn)48分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(chēng)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(chēng)為WinnerTakeAll。本文檔共66頁(yè)；當(dāng)前第6頁(yè)；編輯于星期一\1點(diǎn)48分競(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)本文檔共66頁(yè)；當(dāng)前第7頁(yè)；編輯于星期一\1點(diǎn)48分向量歸一化之前本文檔共66頁(yè)；當(dāng)前第8頁(yè)；編輯于星期一\1點(diǎn)48分向量歸一化之后本文檔共66頁(yè)；當(dāng)前第9頁(yè)；編輯于星期一\1點(diǎn)48分競(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：本文檔共66頁(yè)；當(dāng)前第10頁(yè)；編輯于星期一\1點(diǎn)48分從上式可以看出，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本文檔共66頁(yè)；當(dāng)前第11頁(yè)；編輯于星期一\1點(diǎn)48分競(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。本文檔共66頁(yè)；當(dāng)前第12頁(yè)；編輯于星期一\1點(diǎn)48分競(jìng)爭(zhēng)學(xué)習(xí)的幾何意義?本文檔共66頁(yè)；當(dāng)前第13頁(yè)；編輯于星期一\1點(diǎn)48分競(jìng)爭(zhēng)學(xué)習(xí)的幾何意義

*

1W?

*?jW

*

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

*┆

)(?*1tj+W

)(?tpX

jW?

mW?

*

…

***本文檔共66頁(yè)；當(dāng)前第14頁(yè)；編輯于星期一\1點(diǎn)48分競(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(lèi)本文檔共66頁(yè)；當(dāng)前第15頁(yè)；編輯于星期一\1點(diǎn)48分競(jìng)爭(zhēng)學(xué)習(xí)游戲w1w2w3x訓(xùn)練樣本集o1o1o1本文檔共66頁(yè)；當(dāng)前第16頁(yè)；編輯于星期一\1點(diǎn)48分例4.1用競(jìng)爭(zhēng)學(xué)習(xí)算法將下列各模式分為2類(lèi)：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：本文檔共66頁(yè)；當(dāng)前第17頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第18頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第19頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第20頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第21頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第22頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第23頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第24頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第25頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第26頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第27頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第28頁(yè)；編輯于星期一\1點(diǎn)48分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(chēng)SOM網(wǎng)，又稱(chēng)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(lèi)似。本文檔共66頁(yè)；當(dāng)前第29頁(yè)；編輯于星期一\1點(diǎn)48分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(jué)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(lèi)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)。本文檔共66頁(yè)；當(dāng)前第30頁(yè)；編輯于星期一\1點(diǎn)48分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。

本文檔共66頁(yè)；當(dāng)前第31頁(yè)；編輯于星期一\1點(diǎn)48分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?chē)纳窠?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：本文檔共66頁(yè)；當(dāng)前第32頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第33頁(yè)；編輯于星期一\1點(diǎn)48分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(chēng)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(kāi)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(kāi)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。本文檔共66頁(yè)；當(dāng)前第34頁(yè)；編輯于星期一\1點(diǎn)48分SOM網(wǎng)的運(yùn)行原理訓(xùn)練階段w1w2w3

w4

w5本文檔共66頁(yè)；當(dāng)前第35頁(yè)；編輯于星期一\1點(diǎn)48分SOM網(wǎng)的運(yùn)行原理工作階段本文檔共66頁(yè)；當(dāng)前第36頁(yè)；編輯于星期一\1點(diǎn)48分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)算法本文檔共66頁(yè)；當(dāng)前第37頁(yè)；編輯于星期一\1點(diǎn)48分Kohonen學(xué)習(xí)算法SOM網(wǎng)的學(xué)習(xí)算法本文檔共66頁(yè)；當(dāng)前第38頁(yè)；編輯于星期一\1點(diǎn)48分(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)算法本文檔共66頁(yè)；當(dāng)前第39頁(yè)；編輯于星期一\1點(diǎn)48分(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)算法本文檔共66頁(yè)；當(dāng)前第40頁(yè)；編輯于星期一\1點(diǎn)48分Kohonen學(xué)習(xí)算法程序流程本文檔共66頁(yè)；當(dāng)前第41頁(yè)；編輯于星期一\1點(diǎn)48分功能分析(1)保序映射——將輸入空間的樣本模式類(lèi)有序地映射在輸出層上。例1：動(dòng)物屬性特征映射。本文檔共66頁(yè)；當(dāng)前第42頁(yè)；編輯于星期一\1點(diǎn)48分功能分析本文檔共66頁(yè)；當(dāng)前第43頁(yè)；編輯于星期一\1點(diǎn)48分(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。功能分析本文檔共66頁(yè)；當(dāng)前第44頁(yè)；編輯于星期一\1點(diǎn)48分本文檔共66頁(yè)；當(dāng)前第45頁(yè)；編輯于星期一\1點(diǎn)48分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(lèi)。這道稱(chēng)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(lèi)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(lèi)，從而代替了傳統(tǒng)的手工操作，取得了良好的效果。

本文檔共66頁(yè)；當(dāng)前第46頁(yè)；編輯于星期一\1點(diǎn)48分系統(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光源本文檔共66頁(yè)；當(dāng)前第47頁(yè)；編輯于星期一\1點(diǎn)48分基于SOM神經(jīng)網(wǎng)絡(luò)的皮革聚類(lèi)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

本文檔共66頁(yè)；當(dāng)前第48頁(yè)；編輯于星期一\1點(diǎn)48分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(lèi)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(lèi)外觀效果相似的皮料，如果聚為一類(lèi)的皮料不夠做一件皮衣，可以和相鄰類(lèi)歸并使用。

基于SOM神經(jīng)網(wǎng)絡(luò)的皮革聚類(lèi)本文檔共66頁(yè)；當(dāng)前第49頁(yè)；編輯于星期一\1點(diǎn)48分3.網(wǎng)絡(luò)參數(shù)設(shè)計(jì)

Nj*

(t)優(yōu)勝鄰域在訓(xùn)練開(kāi)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本文檔共66頁(yè)；當(dāng)前第50頁(yè)；編輯于星期一\1點(diǎn)48分4.皮革紋理分類(lèi)結(jié)果

基于SOM神經(jīng)網(wǎng)絡(luò)的皮革聚類(lèi)本文檔共66頁(yè)；當(dāng)前第51頁(yè)；編輯于星期一\1點(diǎn)48分SOM網(wǎng)用于物流中心城市分類(lèi)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)。

本文檔共66頁(yè)；當(dāng)前第52頁(yè)；編輯于星期一\1點(diǎn)48分44個(gè)物流中心城市分類(lèi)評(píng)價(jià)樣本

本文檔共66頁(yè)；當(dāng)前第53頁(yè)；編輯于星期一\1點(diǎn)48分SOM網(wǎng)用于物流中心城市分類(lèi)評(píng)價(jià)

(2)物流中心城市的分類(lèi)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)型本文檔共66頁(yè)；當(dāng)前第54頁(yè)；編輯于星期一\1點(diǎn)48分SOM網(wǎng)用于物流中心城市分類(lèi)評(píng)價(jià)

(2)物流中心城市的分類(lèi)和評(píng)價(jià)分析

按照SOM算法步驟，取開(kāi)始的1000次迭代為排序階段，學(xué)習(xí)率=0.9；其后為收斂階段，學(xué)習(xí)率為