SOM网络(Kohonen自组织网络)学习第一篇
总结包括Kohonen网络的基本介绍,以及实现原理,并绘制算法的实现步骤。
基本信息
Kohonen网络(KN,也称之为自组织(特征)映射(SOM/SOFM:self organising (feature) map))它是由自组织竞争型神经网络的一种,该网络为无监督学习网络,能够识别环境特性并自动聚类。由两层前馈神经网络组成,包括输入层和输出层。输入层与输出层之间通过神经元进行双向连接,将输入在输出层映射成二维离散图像。神经元通过无监督竞争学习使不同的神经元对不同的输入模式敏感,从而特定的神经元在模式识别中可以充当某一输入模式的检测器。网络训练后神经元被划分为不同区域,各区域对对输入模型具有不同的相应特征。
由上图所示,网络中黄色的为输入向量或称为特征向量,其处理单元数目依问题而定。若输入向量为n个元素,则输入端共有n各节点。绿色的节点为输出层,用以表现网络的输出变数及训练范例的聚类。其处理单元数目依问题而定。形式为一个节点矩阵其结构本身有“网络拓扑”,以及“邻近区域”的概念。
网络连接:所有输入节点到输出节点都有权值连接,而在二维平面的输出节点相互之间也可能有局部连接。每个输出层处理单元与输入层处理单元连接的权数所构成的向量,表示一个输入特征值向量对应训练范例聚类的标量。当Kohonen网络学习完成后,靠近输出处理单元的神经元具有相似的连接权数。
Kohonen基本原理
Kohonen网络的基本原理是计算输入的特征量映射至输出层每一处理单元的欧几里得距离(euclidean distance),而具有最小距离值的处理单元就是优胜单元并且将会调整它的连接权值,使其能够更接近原始的输入向量,而且此处理单元的邻近区域也会调整本身的连接权值,使自己与输入向量间的欧几里得距离能够减少,其算法步骤如下:
输入:训练样本和测试样本;
输出:训练后的权系数矩阵和测试样本所属的类及归属程度;
(1)粗调整学习阶段
1)网络权值初始化,新向量的输入
式中:——t时刻样本的第
维分量
总的学习次数为
。
2) 样本矢量与权值之间距离的计算
(2)
3)求最小距离,找出最匹配输入样本矢量的竞争层节点C,即:
(3)
4)调整权系数,粗调整阶段
其中:——竞争层神经元的个数。
按照步骤2)计算邻域函数值,权值可根据式(4)进行调整:
(4)
5)学习率和邻域宽度按照步骤1)和步骤3)进行递减。
6)返回步骤3),所有学习样本调整一遍。
7);直至
。
(2)精细调整学习阶段
8)精细调整阶段,
并重复步骤2)一6),只是邻域宽度和学习率按照式(5)递减:
(6)
13)读取一个新的网络输入样本。
14)根据已计算出来的欧氏距离和上文定义的隶属函数,计算输入样本到各输出神经元的隶属度为
(7)
l5)输出分类:设定阈值,根据高斯函数自性质,本文将阀值设为0.6,即:当 输出神经元即为该输入样本所属的类,输出该类及输入样本在该类中的隶属度。
16) 重复13)步,直到没有新的输入样本。
由上到下依次进行,x返回第二步,直到判断为Y则结束
SOM网络(Kohonen自组织网络)学习第一篇相关推荐
- 自组织映射网络(SOM)+Kohonen自组织网络
自组织映射网络(SOM)+Kohonen自组织网络 SOM算法总结: 我们有一个空间连续的输入空间,其中包含我们的输入向量.我们的目的是将其映射到低维的离散输出空间,其拓扑结构是通过在网格中布置一系列 ...
- 5G网络实现自动驾驶车联网——第一篇:5G模块介绍实现上网功能
5G网络实现自动驾驶车联网--第一篇:5G模块介绍实现上网功能 大家好我是Jones,写博客记录一下工作的痕迹,同时也对工作做一个总结,才疏学浅,难免会有很多纰漏,还请大家批评指正,创业初期,欢迎技术 ...
- MongoDB学习第一篇 --- Mac下使用HomeBrew安装MongoDB
2019独角兽企业重金招聘Python工程师标准>>> MongoDB学习第一篇 --- Mac下使用HomeBrew安装MongoDB 0.确保mac已经安装了HomeBrew ( ...
- Python中的TCP的客户端UDP学习----第一篇博客
Python中的TCP的客户端&UDP学习--第一篇博客 PS: 每日的怼人句子"我真想把我的脑子放到你的身体里,让你感受一下智慧的光芒" 先说UDP流程 发送: 创建套接 ...
- VUE源码学习第一篇--前言
一.目的 前端技术的发展,现在以vue,react,angular为代表的MVVM模式以成为主流,这三个框架大有三分天下之势.react和angular有facebook与谷歌背书,而vue是以一己之 ...
- 无线传感器网络与自组织网络的研究现状
A Survey on Wireless Sensor Network and Ad Hoc Network 盛敏,田野,李建东 摘 要:传感器网络综合了传感器技术.嵌入式计算技术.分布式信息处理技术 ...
- RISC-V学习-第一篇[指令类型]
本文是RVSC-V处理器学习的第一篇文章,对RV32IMAFDC指令集的学习笔记. 1. 运算指令 立即数运算指令 addi rd,rs1,imm[11:0] 功能 1.将rs1与12位立即数(进行符 ...
- Java图像处理最快技术:ImageJ 学习第一篇
ImageJ是世界上最快的纯Java的图像处理程序.它可以过滤一个2048x2048的图像在0.1秒内(*).这是每秒40万像素!ImageJ的扩展通过使用内置的文本编辑器和Java编译器的Image ...
- SOM网络(Kohonen自组织网络)学习第三篇
SOM算法学习自组织映射算法是一种无监督学习方法,具有良好的自组织.可视化等特性,已经得到了广泛的应用和研究.作为一种聚类和高维可视化的无监督学习算法,是通过模拟人脑对信号处理得到的一种人工神经网络. ...
最新文章
- 如何使用OpenCppCoverage检查单元测试的行覆盖率
- Java 转型问题(向上转型和向下转型)
- 将Datatable一分为二
- windows延缓写入失败相关问题解决办法
- (相当全面)node.js 初体验
- 重温前端基础(二) 移动WEB开发
- yb3防爆电机型号含义_YBK3防爆电机介绍
- H5 Canvas maximum-scale图像模糊解决办法
- 经典论坛程序 Discuz! 回归
- ASP.NET Core 中文文档 第二章 指南(4.10)检查自动生成的Detail方法和Delete方法
- MySQL进阶路:从小工到专家的必读书籍和必备工具
- FISCO BCOS Webase front 智能合约 参数不合适
- Python爬取网上文章并发表到微信公众号
- java根据年份计算生肖
- codeforces 268E Playlist(数学期望)
- 内网环境 CentOS7 搭建本地repo仓库源
- WEB、FTP服务器的搭建
- Webshell文件上传漏洞
- 14.[保护模式]TSS任务段
- 利用XSL和ASP在线编辑XML文档
热门文章
- 结构光光栅三维扫仪的使用方法
- 华科计算机专业就业认可度,华科的4大王牌专业,就业率薪资都超高,赶紧来看看...
- 05、WITNESS-INDISTINGUISHABILITY and SZK ARGUMENTS for NP——Alone Rosen【witness的不可区分性以及对于NP问题的SZK论证】
- 1042 Shuffling Machine(简单题,用副本记录每次洗牌结果)
- CO-FI统御账的作用和使用
- java 可变参数方法不支持多个可变参数以及多种类型的替代方法
- python 二维列表 替换元素
- CCIE EI EEM
- ArcGIS 矢量切片服务随记
- Redis主从模式+哨兵模式