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
- css盒子教程,彻底弄懂css盒子模式(div布局快速入门)_css教程
- 基于multisim的fm调制解调_矢量调制分析
- java中搭建流水线,部署流水线搭建小记:Docker、Jenkins、Java 和 Couchbase
- 上手Caffe(一)
- 【script】python3使用http.server搭建简易web服务
- matlab2c使用c++实现matlab函数系列教程-geomean函数
- python -图例设置
- [现代控制理论]8_LQR控制器_simulink
- Odoo 序列和工作流
- 10246 - Asterix and Obelix
- 【论文学习:基于EEG/EMG/EOG的多模态人机接口,用于实时控制软机器人手】
- 团队作业7——alpha阶段之事后诸葛亮分析
- mysql为什么尽量不要存null
- php session header,php session header()重定向后丢失 - php
- 计算机视觉知识点-车牌识别
- 23、账号与权限管理
- matlab动态电路仿真,基于Simulink建立的RLC串联动态电路仿真模型
- 微信小程序 18 播放记录和video页面初步搭建
- 数据库:不允许保存更改数据库表问题的解决
- matlab稳态数值解,matlab解稳态导热问题
热门文章
- 打开分析MTK AEE db的方法
- 解决Hyper-V虚拟磁盘VHDX无法压缩/收缩(Compact)的故障
- java后端:nacos 实现动态配置
- 部分安卓手机h5页面出现空白页面
- 网络运维和网络安全运维就业前景如何?
- 解决问题】AttributeError: module 'pandas' has no attribute 'ewma'报错解决方法
- 九龙证券|黄金新股9连板,“一带一路”掀涨停潮!7股封单超亿元
- 受Prometheus启发的开源日志工具:Loki
- thinkphp,onethink,ocenter
- 正反斜杠的区别_彻底理解斜杠和反斜杠的区别