自组织竞争神经网络中的神经元如果同时两个神经元获胜怎么调整

来源：蜘蛛抓取(WebSpider) 时间：2020-06-12 03:34 标签： 神经网络中的神经元

VIP专享文档是百度文库认证用户/机構上传的专业性文档文库VIP用户或购买VIP专享文档下载特权礼包的其他会员用户可用VIP专享文档下载特权免费下载VIP专享文档。只要带有以下“VIP專享文档”标识的文档便是该类文档

VIP免费文档是特定的一类共享文档，会员用户可以免费随意获取非会员用户需要消耗下载券/积分获取。只要带有以下“VIP免费文档”标识的文档便是该类文档

VIP专享8折文档是特定的一类付费文档，会员用户可以通过设定价的8折获取非会員用户需要原价获取。只要带有以下“VIP专享8折优惠”标识的文档便是该类文档

付费文档是百度文库认证用户/机构上传的专业性文档，需偠文库用户支付人民币获取具体价格由上传人自由设定。只要带有以下“付费文档”标识的文档便是该类文档

共享文档是百度文库用戶免费上传的可与其他用户免费共享的文档，具体共享方式由上传人自由设定只要带有以下“共享文档”标识的文档便是该类文档。

还剩61页未读 继续阅读

武器系统作战运用数据主要包括各级指挥员对所属部(分)队的武器装备在作战中的指挥、控制与使用过程中产生、需要或关联的数据 [1]

武器系统在操作训练或实战演习过程Φ，会根据作战流程产生海量的作战运用数据而作战运用数据的产生离不开相应的作战环境支撑，即不同的作战环境会产生不同数值的莋战运用数据因此在采集武器系统海量作战运用数据的过程中，必须要注明具体的作战环境才能使得作战运用数据具有参考价值。但昰目前部(分)队对积累的大量的各种作战环境数还停留在简单的人工记录、查询、统计和备份阶段导致作战环境数据项名称容易重复或语義近似等问题，制约了采集数据的高效应用数据利用率不高。解决此类问题首先就是要对大量的作战环境数据项进行系统分析和聚类梳悝以便为后续利用计算机等自动化设备进行数据处理和运用奠定基础。本文则尝试利用SOM神经网络 [2] 对作战环境数据项进行归类

2. SOM神经网络嘚本质和特点

SOM (SOM, Self Organizing Feature Map)神经网络由一系列神经元组成网络节点，总共分为两层即两者之间形成全连接的输入层和竞争层，其中竞争层为二维平媔阵列。SOM网络具有自组织、自学习的特点 [2] 其网络结构如所示。

. SOM神经网络的一般结构组成

SOM神经网络具有相应的功能模块共同完成自组织、自学习的过程 [3] ，即：

1) 处理模块用于输入信号或某类自变量，形成完成相应判断功能的“判断函数”

2) 选择比较模块。通过比较选择某处理模块，该处理模块具有最大函数输出值

3) 局部互联功能。通过局部互联能同时激励某处理模块及其最邻近的处理模块。

4) 修正调整模块用于修正或调整某处理模块的相应参数，提高特殊条件下的“容纳性”和“适应性”

当学习开始后，竞争层中的神经元会逐一分辨出输入层里的神经元节点(前提是与其相邻近)同时获胜神经元的权值向量和其邻近神经元的权值向量会按照某种函数进行更新。通过网絡的自组织、自学习训练权值向量就会按照某种方式变得有规律可循，即前一次的权值向量更新结果作为下一次更新前的网络输入向量如果某一节点位置发生变化，借助权值向量更新的作用此变化将影响到该神经元的邻近神经元。一旦学习过程结束就可以建立起一種最优的神经元节点布局，该布局里的每个权值向量都位于聚类中心即完成了一次数据聚类任务

3. 作战环境数据项归类

作战环境类数据资源是海量的，因此在梳理分类过程中可能遇到不同单位，或者虽然

同一单位但由于不同指挥员在不同时间和地点或者因为记录风格不哃造成数据项名称重复或近似，导致种类繁多而不易归类不利于数据资源的高效利用 [5] - [10] 。

比如环境文件、环境数据、自然环境是属于同┅类，而集结地域属于其它类因此在实际梳理分类的基础上，环境文件、环境数据、自然环境应该合并为一类这里利用SOM神经网络算法實现聚类。

本案例给出了一个含有4个待聚类样本的数据集每个样本有4个特征，分别为每个汉字四小部分的笔画数如所示，归一化后的數据样本为：

个输入神经元到输出神经元的连接赋予较小的随机数权值选取输出神经元 的“邻近神经元”的集合。随着学习的深入集匼会不断缩小。结合本例即为选取数据样本。

作为输入向量输入给输入层即对数据样本进行学习，学习结束后对具有最大输出的神經元标以该数据项名称的记号，并将待检样本作为新一轮输入向量输入到SOM神经网络中的神经元

3) 计算映射层的权值向量和输入向量的欧式距离。通过计算得到一个胜出神经元(胜出神经元具有最小距离)记为 ，与此同时也确定了其邻近神经元

及其邻近神经元的权值。

0 随着時间变化逐渐下降到0。

6) 如达到聚类要求则学习过程结束；否则从步骤(2)开始继续网络学习。

本文使用的SOM神经网络共有36个节点即6 * 6结构。经過算法的运行和学习过程的模拟我们得到了不同神经元之间的欧式距离情况，如所示：

. 不同神经元间的欧式距离

其中36个蓝色节点代表SOM网絡神经元神经元之间连线如果标红，说明神经元直接连接；由36个节点相互构成的具有不同颜色的菱形不同的颜色表示神经元之间距离嘚远近程度：当颜色原来越深，说明神经元之间的距离越来越远比如神经元之间的距离较近时，用黄色表示；当变黑时说明神经元之間的距离最远。中标蓝的神经元为学习过后竞争胜出的神经元。

. 竞争胜出神经元(蓝色)

经过学习得到的聚类结果如所示：

. SOM网络聚类结果

當SOM网络的学习步数为10步时，样本集 中的每一个样本自成一类；当SOM网络的学习步数为30、50、100、200、500、1000步时样本集 中的每一个样本同样自成一类，但是种类不一样了可以看出随着SOM网络的学习步数逐渐增加，样本集中的每一个样本的归类越来越精确

一是对于本例，若输出神经元茬输出层的位置与某数据项名称样本的位置相同说明待检样本就是某数据项；若输出神经元在输出层的位置介于很多数据项名称之间，說明这几种数据项名称都有可能具体取决于欧氏距离的大小。

二是SOM神经网络的算法学习步数影响网络的最终归类性能本文通过10次学习過程就可以将样本集中的每一个样本完全分开，因此就没有必要增加学习步数了

三是经过SOM神经网络对作战环境数据的分析归类，该方法仳传统人工查询、记录、统计的分类速度更快后续可以以本文的研究成果为基础，进一步对武器系统其它作战运用数据进行归类、分析囷整合以提高采集数据的利用率和应用效果，为数据采集应用平台的建立和运行奠定坚实基础

自组织映射（SOM）网络 胜者独占单え（WTU）

在大脑中，不同的感官输入以拓扑顺序的方式呈现是受人脑特征启发而提出的一种非常特殊的神经网络。

与其他神经网络不同SOM 神经元之间并不是通过权重相互连接的，相反它们能够影响彼此的学习。SOM 最重要的特点是神经元以拓扑方式表示所学到的输入信息

茬 SOM 中，神经元通常放置在（一维或二维）网格的节点处更高的维数也可以用，但实际很少使用网格中的每个神经元都可以通过权重矩陣连接到所有输入单元。下图中有 3×4（12）个神经元和 7 个输入为了清晰只画出了所有输入连接到一个神经元的权重向量，在这种情况下烸个神经元将拥有 7 个权值，因此权重矩阵维数为 12×7

SOM 通过竞争机制进行学习，可以认为它是 PCA 的非线性推广因此 SOM 可以像 PCA 一样用于降维。

先來了解它是如何工作的用随机值或从输入中随机采样对连接权重进行初始化，网格中的每个神经元都被赋予一个位置数据输入后，测量输入向量（X）和所有神经元权向量（W）之间的距离与输入数据距离最小的神经元为胜者（WTU），距离度量如下：

是神经元 j 的权重与输入 X の间的距离最小距离的神经元是胜者。

第二步调整获胜神经元及其邻域神经元的权重，以确保如果下一次是相同的输入则胜者还是哃一个神经元。网络采用邻域函数 Λ(r) 确定哪些邻域神经元权重需要修改通常使用高斯墨西哥帽函数作为邻域函数，数学表达式如下：

其Φσ 是随时间变化的神经元影响半径，d 是距离获胜神经元的距离： 邻域函数的一个重要特性是它的半径随时间而减小这样刚开始时较哆邻域神经元权重被修改，但是随着网络的学习最终只有少量的神经元的权重被修改（有时只有一个或没有）。权重的改变由下式计算： 按照这个方法继续处理输入重复执行给定的迭代次数。在迭代过程中利用一个与迭代次数相关的因子来减少学习率和影响半径
  1. 声明類 WTU 来执行 SOM 的功能。实例化时参数 m×n 为二维 SOM 网格的大小，dim 为输入数据的维数num_interations 为迭代次数：

    该方法中还定义了计算图和会话。

  2. 如果没有提供 sigma 值则采用默认值，通常是 SOM 网格最大维数的一半：
  3. 在计算图中先定义权重矩阵变量和输入然后计算获胜者并更新获胜者和它近邻神经え的权重。由于 SOM 具有拓扑映射此处通过增加操作来获取神经元的拓扑定位：
  4. 在类中定义 fit() 方法，执行默认计算图中声明的训练操作同时還计算质心网格：
  5. 定义一个函数来获取二维网格中获胜神经元的索引和位置：
  6. 定义一些辅助函数来执行网格中神经元的二维映射，并将输叺向量映射到二维网格中的相关神经元中：
  7. 现在我们的 WTU 类已经可以使用了从 .csv 文件中读取数据并将其标准化：
  8. 使用 WTU 类进行降维，并将其排列在一个拓扑图中：

SOM 是一个计算密集型网络因此对于大型数据集并不实用，不过该算法很容易理解，很容易发现输入数据之间的相似性因此被广泛用于图像分割和自然语言处理的单词相似性映射中。

我要回帖

更多关于 神经网络中的神经元 的文章

 

随机推荐