大脑神经中枢分布图结构,大脑神经网络结构图片

人脑记忆区分布图是怎样的？

这种有序性就是我们思想中的规则。我们的大脑是靠这些规则(因果关系)理解和解释事物的。如果事物结构的有序性与我们大脑的思维结构不兼容，我们就无法理解或暂时不能理解它们，因为我们对事物的认识是来自感官的。

由此推断人工思想机器的思维结构必须与我们大脑的组织结构在模式上兼容。当我们紧张不安时，我们就会意识到我们的大脑没有处于良好的有序状态。

我们的行为正是我们的大脑为自己工作的结果，即大脑正在调整自己的组织结构或变得更加有序，最终是通过行为显现的。计算机或控制系统都有硬件和软件，就像光具有波粒二重性。

软件就像头脑，它控制“身体”的行为，但是它的功能并不一定是有智慧的。软件是系统的组织结构。与电脑运行软件不同，思维不仅是在运行软件而且是在进行自身结构重组，使其更加有序。

在人的神经网络系统中，大脑产生意识。意识是大脑记忆某些自身活动的结果。意识内容总是尽可能转向无意识，即从模糊到有序。

意识通过注意和集中只是处理问题的模糊部分，而无意识则是过滤信息和支配多任务，准确地对平常来自环境和身体内部的信号或刺激作出反应。大脑可以回忆无意识区的记忆，但是处理记忆则是在意识区进行思维。

电脑程序完全是“无意识”的或者说是完全有序的。无意识永远不会接受来自意识的模糊内容。我们能够感受两种现象，自然(非生命)和生活。

一般讲我们可以预期自然现象和发现自然规律，但是我们不能找出普遍的动物生活现象的规律，也不能精确预测动物的行为。生命(动物)具有意志。

查看人工神经网络演示世界上所有生命包括植物在最初阶段都只有无意识。无意识的作用一是完全有序的，支配生命自身的行为，对外界和内部刺激作出准确的反应以适应环境和为了生存；二是完全无序的，由自然来选择。

无意识不能处理模糊问题。当生命进化到一定程度，它们开始以简单的记忆方式记录刺激与反应的关系并形成经验，这样就产生了意识。生命初期的意识没有自觉性。

当生命能够以信息的方式记忆它正在做什么，它就有了自我意识。意识是主体对模糊信息刺激反应过程的记忆结果，可以说大脑也是这种记忆的产物。如果我们接受这个观点，意识就简单地成为记忆问题了。

由于无意识，记忆并不记录所有的大脑活动。要是电脑能够伴随自发地记录自己的工作过程，就能够有自我意识。讨论意识而不涉及无意识是不恰当的，因为无意识是意识的深厚基础。我们的记忆都在无意识之中。

无意识的作用是过滤输入的信息、组织关联记忆或经验以及完成多任务等。而潜意识是心理学词汇，通常用来解释人的思维和行为的驱动。无意识并不是大脑空空，只要没有脑死亡它就会永远不停地工作。

人脑的智能活动是意识和无意识的混合工作。没有无意识就没有智能。讨论大脑思维可分为不同层次，即从最表面的行为表象和情感到基本粒子的状态、运动和相互作用。

不论我们所指的数字、模拟、图像、情感、价值观、量子是什么意思，如果在一个讨论中跨越不同的层次，就会经常引起误解和混乱。作为人工智能主体的神经网络必须包括“大脑”和“身体”。

所谓大脑就是这个系统的意识区和无意识结构或程序。意识区处理模糊问题，它包括处理记忆和编程功能；无意识程序处理精确问题，包括过滤信息、多任务功能和储存记忆。所谓身体包括感官和行为执行机构。

智能系统内部成员是靠神经系统联系的。这也就是说它们之间不得存在任何信息传递界面。电脑部件之间的信息传递是有界面的，所以仅从这一点上讲电脑不可能是个智能主体。

任何人造系统必然存在一个界面，在这个界面上人和人工物的交互方式是兼容的。如果制造一个具有自我意识的“人工智能”系统，就应该在它的自我意识和自我人工物之间存在一个界面。

另外，设计这种系统必须让我们提前知道它如何产生意识，而意识又是我们设计目标的一种附带现象。它又是在这个系统被制造完成之后才能显现的。

我们设计制造东西是靠我们头脑中现有的规则和逻辑，因此我们对人造物自身的功能和发展过程是能够预期的。我们无法设计一种我们不能理解和预期它的功能的机器。

因此我们只好模拟大脑功能，这又让我们面对界面的难题，于是我们开始转向量子理论，但是我们不能肯定我们大脑的工作机理是否是量子化的。

人类大脑内在数十亿个神经细胞，它们相互之间通过神经突触相互影响，形成极其复杂的相互联系。

记忆就是脑神经细胞之间的相互呼叫作用，其中有些相互呼叫作用所维持时间是短暂的，有些是持久的，而还有一些介于两者之间。

当一个脑神经细胞受到刺激发生兴奋时，它的突触就会发生增生或感应阈下降，经常受到刺激而反复兴奋的脑神经细胞，它的突触会比其它较少受到刺激和兴奋的脑细胞具有更强的信号发放和信号接受能力。

当两个相互间有突触邻接的神经细胞同时受到刺激而同时发生兴奋时，两个神经细胞的突触就会同时发生增生，以至它们之间邻接的突触对的相互作用得到增强，当这种同步刺激反复多次后，两个细胞的邻接突触对的相互作用达到一定的强度(达到或超过一定的阈值)，则它们之间就会发生兴奋的传播现象，就是当其中任何一个细胞受到刺激发生兴奋时，都会引起另一个细胞发生兴奋而，从而形成细胞之间的相互呼应联系，这就是即记忆联系。

谷歌人工智能写作项目：神经网络伪原创

神经网络是什么

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型文案狗。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

生物神经网络主要是指人脑的神经网络，它是人工神经网络的技术原型。

人脑是人类思维的物质基础，思维的功能定位在大脑皮层，后者含有大约10^11个神经元，每个神经元又通过神经突触与大约103个其它神经元相连，形成一个高度复杂高度灵活的动态网络。

作为一门学科，生物神经网络主要研究人脑神经网络的结构、功能及其工作机制，意在探索人脑思维和智能活动的规律。

人工神经网络是生物神经网络在某种简化意义下的技术复现，作为一门学科，它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型，设计相应的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来用以解决实际问题。

因此，生物神经网络主要研究智能的机理；人工神经网络主要研究智能机理的实现，两者相辅相成。扩展资料：神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。

主要的研究工作集中在以下几个方面：1、生物原型从生理学、心理学、解剖学、脑科学、病理学等方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。

2、建立模型根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。

3、算法在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。

神经网络用到的算法就是向量乘法，并且广泛采用符号函数及其各种逼近。并行、容错、可以硬件实现以及自我学习特性，是神经网络的几个基本优点，也是神经网络计算方法与传统方法的区别所在。

参考资料：百度百科-神经网络（通信定义）

大脑结构

人类的大脑可以区分为三个部分：脑核(Central Core)、脑缘系统(Limbic System)、大脑皮质(Cerebral Cortex)。

脑核部分是掌管人类日常基本生活的处理，包括呼吸、心跳、觉醒、运动、睡眠、平衡、早期感觉系统等。脑缘系统是负责行动、情绪、记忆处理等功能，另外，它还负责体温、血压、血糖、以及其它居家活动等。

大脑皮质则负责人脑较高级的认知和情绪功能，它区分为两个主要大块----左大脑和右大脑，各大块均包含四个部分----额叶脑(Frontal Lobe)、顶叶脑(Parietal Lobe)、枕叶脑(Occipital Lobe)、颞叶脑(Temporal Lobe)。

扩展资料：大脑的功能1、运动功能大脑的运动系统负责产生和控制运动。产生的运动从大脑通过神经传递到身体运动神经元，达到控制肌肉的作用。皮质脊髓束将运动信息从大脑，脊髓传递至到躯干和四肢。

脑神将运动信息传递至眼睛，嘴巴和脸部区域。2、感觉感觉神经系统涉及感觉信息的接收和处理。这些信息通过特定的感受器官（视觉，嗅觉，听觉和味觉）的被接受传至大脑。

3、语言虽然传统上语言功能被认为是定位于威尔尼克区（Wernicke）和布洛卡区（Broca），但现在人们普遍认为，更广泛的皮层区域对语言使用有贡献。

语言如何被大脑表征，处理和获取的是心理学和神经科学研究等领域正着力研究的一个问题。4、情绪尝试将某些大脑区域的喜怒哀乐等基本情绪相关联目前还存在着极大的有争议，一些研究没有发现与情绪相对应的特定位置。

杏仁核、眶额叶皮质、脑岛及外侧前额叶皮层区域似乎参与到了情绪的加工过程。5、执行功能执行功能是允许认知控制行为所需的一套认知过程的总称：他负责选择并成功监测促进实现所选目标的行为。

执行功能通过注意控制和认知抑制过滤无用信息和降低与抑制无关的刺激，处理和操纵在工作记忆中保存的信息，同时思考多个概念的能力，并以认知灵活性切换任务，抑制冲动性行为等。参考资料：百度百科-大脑结构。

人脑是一个结构复杂的器,它是有什么构成的？

人脑的结构分为大脑半球、内囊及皮质下白质、基底神经节、间脑、脑干和小脑几部分。大脑半球的功能极其复杂，除运动、感觉外还与人的认知、情感、语言、行为等高级神经活动有关。

内囊及皮质下白质与运动感觉以及听觉和视觉有关。基底神经节，与大脑皮质、丘脑、小脑、脊髓都有广泛的纤维联系，它的功能是与大脑和小脑协同，调节随意运动，肌张力姿势及复杂的行为活动。

总体来说人脑的功能是维持觉醒和思维的。大脑包括端脑和间脑，端脑包括左右大脑半球。

端脑是脊椎动物脑的高级神经系统的主要部分，由左右两半球组成，是人类脑的最大部分，是控制运动、产生感觉及实现高级脑功能的高级神经中枢。

脊椎动物的端脑在胚胎时是神经管头端薄壁的膨起部分，以后发展成大脑两半球，主要包括大脑皮质、大脑髓质和基底核等三个部分。大脑皮质是被覆在端脑表面的灰质、主要由神经元的胞体构成。

皮质的深部由神经纤维形成的髓质或白质构成。髓质中又有灰质团块即基底核，纹状体是其中的主要部分。在医学及解剖学上，多用大脑一词来指代端脑。大脑(brain)包括端脑和间脑，端脑包括左右大脑半球。

大脑结构端脑是脊椎动物脑的高级神经系统的主要部分，由左右两半球组成，在人类为脑的最大部分，是控制运动、产生感觉及实现高级脑功能的高级神经中枢。

皮质的深部由神经纤维形成的髓质或白质构成。髓质中又有灰质团块即基底核，纹状体是其中的主要部分。

端脑由约140亿个细胞构成，重约1400克，大脑皮层厚度约为2-3毫米，总面积约为2200平方厘米，据估计脑细胞每天要死亡约10万个(越不用脑，脑细胞死亡越多)。

一个人的脑储存信息的容量相当于1万个藏书为1000万册的图书馆，以前的观点是最善于用脑的人，一生中也仅使用掉脑能力的10%，但现代科学证明这种观点是错误的，人类对自己的脑使用率是100%，脑中并没有闲置的细胞。

人脑中的主要成分是血液，血液占到80%，大脑虽只占人体体重的2%，但耗氧量达全身耗氧量的25%，血流量占心脏输出血量的15%，一天内流经脑的血液为2000升。

脑消耗的能量若用电功率表示大约相当于25瓦。因为有80%是血液，所以它就有些像豆腐。但是它不是方的，而是圆的;也不是白的而是淡粉色的。端脑主要包括左、右大脑半球，是中枢神经系统的最高级部分。

人类的大脑是在长期进化过程中发展起来的思维和意识的器官。大脑半球的外形和分叶左、右大脑半球由胼胝体相连。半球内的腔隙称为侧脑室，它们借室间孔与第三脑室相通。

每个半球有三个面，即膨隆的背外侧面，垂直的内侧面和凹凸不平的底面。背外侧面与内侧面以上缘为界，背外侧面与底面以下缘为界。半球表面凹凸不平，布满深浅不同的沟和裂，沟裂之间的隆起称为脑回。

背外侧面的主要沟裂有:中央沟从上缘近中点斜向前下方;大脑外侧裂起自半球底面，转至外侧面由前下方斜向后上方;在半球的内侧面有顶枕裂从后上方斜向前下方;距状裂由后部向前连顶枕裂，向后达枕极附近。

这些沟裂将大脑半球分为五个叶:即中央沟以前、外侧裂以上的额叶;外侧裂以下的颞叶;顶枕裂后方的枕叶;外侧裂上方、中央沟与顶枕裂之间的顶叶;以及深藏在外侧裂里的脑岛。

另外，以中央沟为界，在中央沟与中央前沟之间为中央前回;中央沟与中央后沟之间为中央后回。端脑有左右两个大脑半球(端脑半球)。

将两个半球隔开的是称为大脑纵隔的沟壑，两个半球除了脑梁与透明中隔相连以外完全左右分开。半球表面布满脑沟，沟与沟之间所夹细长的部分称为脑回。

脑沟并非是在脑的成长过程中随意形成，什么形态出现在何处都完全有规律(其深度和弯曲度因人稍有差异)。每一条脑沟在解剖学上都有专有名称。脑沟与脑回的形态基本左右半球对称，是对脑进行分叶和定位的重要标志。

比较重要的脑沟有外侧沟起于半球下面，行向后上方，至上外侧面;中央沟起于半球上绿中点稍后方，斜向前下方，下端与外侧沟隔一脑回，上端延伸至半球内侧面;顶枕沟位于半球内侧面后部，自下向上。

在外侧沟上方和中央沟以前的部分为额叶;外侧沟以下的部分为颞叶;枕叶位于半球后部，其前界在内侧面为顶枕沟，在上外侧面的界限是自顶枕沟至枕前切迹(在枕叶后端前方约4cm处)的连线;顶叶为外侧沟上方、中央沟后方、枕叶以前的部分;岛叶呈三角形岛状，位于外侧沟深面，被额、顶、颞叶所掩盖，与其他部分不同布满细小的浅沟(非脑沟)。

左右大脑半球有各自的称为侧脑室的腔隙。侧脑室与间脑的第三脑室，以及小脑和延脑及脑桥之间的第四脑室之间有孔道连通。脑室中的脉络丛产生脑的液体称为脑脊液。

脑脊液在各脑室与蛛网膜下腔之间循环，如果脑室的通道阻塞，脑室中的脑脊液积多，将形成脑积水。广义的大脑的脑神经有，端脑出发的嗅神经，间脑出发的视神经。大脑的断面分为白质与灰白质。

端脑的灰白质是指表层的数厘米厚的称为大脑皮质的一层，大脑皮质是神经细胞聚集的部分，具有六层的构造，含有复杂的回路是思考等活动的中枢。相对大脑皮质白质又称为大脑髓质。间脑由丘脑与下丘脑构成。

丘脑与大脑皮质，脑干，小脑，脊髓等联络，负责感觉的中继，控制运动等。下丘脑与保持身体恒常性，控制自律神经系统，感情等相关。

内部结构大脑半球的内部结构⒈ 灰质:覆盖在大脑半球表面的一层灰质称为大脑皮层，是神经元胞体集中的地方。

这些神经元在皮层中的分布具有严格的层次，大脑半球内侧面的古皮层分化较简单，一般只有三层:①分子层;②锥体细胞层;③多形细胞层。

在大脑半球外侧面的新皮层则分化程度较高，共有六层:①分子层(又称带状层);②外颗粒层;③外锥体细胞层;④内颗粒层;⑤内锥体细胞层(又称节细胞层);⑥多形细胞层。

⒉ 皮层的深面为白质，白质内还有灰质核，这些核靠近脑底，称为基底核(或称基底神经节)。基底核中主要为纹状体。纹状体由尾状核和豆状核组成。

尾状核前端粗、尾端细，弯曲并环绕丘脑;豆状核位于尾状核与丘脑的外侧，又分为苍白球与壳核。尾状核与壳核在种系发生(即动物进化)上出现较迟，称为新纹状体，而苍白球在种系发生上出现较早，称为旧纹状体。

纹状体的主要功能是使肌肉的运动协调，维持躯体一定的姿势。

什么是神经网络

神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。生物神经网络：一般指生物的大脑神经元，细胞，触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动。

人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。

这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络：是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。

在工程与学术界也常直接简称为“神经网络”或类神经网络。

神经网络算法原理

4.2.1 概述人工神经网络的研究与计算机的研究几乎是同步发展的。

1943年心理学家McCulloch和数学家Pitts合作提出了形式神经元的数学模型，20世纪50年代末，Rosenblatt提出了感知器模型，1982年，Hopfiled引入了能量函数的概念提出了神经网络的一种数学模型，1986年，Rumelhart及LeCun等学者提出了多层感知器的反向传播算法等。

神经网络技术在众多研究者的努力下，理论上日趋完善，算法种类不断增加。目前，有关神经网络的理论研究成果很多，出版了不少有关基础理论的著作，并且现在仍是全球非线性科学研究的热点之一。

神经网络是一种通过模拟人的大脑神经结构去实现人脑智能活动功能的信息处理系统，它具有人脑的基本功能，但又不是人脑的真实写照。它是人脑的一种抽象、简化和模拟模型，故称之为人工神经网络（边肇祺，2000）。

人工神经元是神经网络的节点，是神经网络的最重要组成部分之一。目前，有关神经元的模型种类繁多，最常用最简单的模型是由阈值函数、Sigmoid 函数构成的模型（图 4-3）。

图4-3 人工神经元与两种常见的输出函数神经网络学习及识别方法最初是借鉴人脑神经元的学习识别过程提出的。

输入参数好比神经元接收信号，通过一定的权值（相当于刺激神经兴奋的强度）与神经元相连，这一过程有些类似于多元线性回归，但模拟的非线性特征是通过下一步骤体现的，即通过设定一阈值（神经元兴奋极限）来确定神经元的兴奋模式，经输出运算得到输出结果。

经过大量样本进入网络系统学习训练之后，连接输入信号与神经元之间的权值达到稳定并可最大限度地符合已经经过训练的学习样本。

在被确认网络结构的合理性和学习效果的高精度之后，将待预测样本输入参数代入网络，达到参数预测的目的。

4.2.2 反向传播算法（BP法）发展到目前为止，神经网络模型不下十几种，如前馈神经网络、感知器、Hopfiled 网络、径向基函数网络、反向传播算法（BP法）等，但在储层参数反演方面，目前比较成熟比较流行的网络类型是误差反向传播神经网络（BP-ANN）。

BP网络是在前馈神经网络的基础上发展起来的，始终有一个输入层（它包含的节点对应于每个输入变量）和一个输出层（它包含的节点对应于每个输出值），以及至少有一个具有任意节点数的隐含层（又称中间层）。

在 BP-ANN中，相邻层的节点通过一个任意初始权值全部相连，但同一层内各节点间互不相连。

对于 BP-ANN，隐含层和输出层节点的基函数必须是连续的、单调递增的，当输入趋于正或负无穷大时，它应该接近于某一固定值，也就是说，基函数为“S”型（Kosko，1992）。

BP-ANN 的训练是一个监督学习过程，涉及两个数据集，即训练数据集和监督数据集。

给网络的输入层提供一组输入信息，使其通过网络而在输出层上产生逼近期望输出的过程，称之为网络的学习，或称对网络进行训练，实现这一步骤的方法则称为学习算法。

BP网络的学习过程包括两个阶段：第一个阶段是正向过程，将输入变量通过输入层经隐层逐层计算各单元的输出值；第二阶段是反向传播过程，由输出误差逐层向前算出隐层各单元的误差，并用此误差修正前层权值。

误差信息通过网络反向传播，遵循误差逐步降低的原则来调整权值，直到达到满意的输出为止。

网络经过学习以后，一组合适的、稳定的权值连接权被固定下来，将待预测样本作为输入层参数，网络经过向前传播便可以得到输出结果，这就是网络的预测。

反向传播算法主要步骤如下：首先选定权系数初始值，然后重复下述过程直至收敛（对各样本依次计算）。

（1）从前向后各层计算各单元Oj储层特征研究与预测（2）对输出层计算δj储层特征研究与预测（3）从后向前计算各隐层δj储层特征研究与预测（4）计算并保存各权值修正量储层特征研究与预测（5）修正权值储层特征研究与预测以上算法是对每个样本作权值修正，也可以对各个样本计算δj后求和，按总误差修正权值。

神经网络Kohonen模型

一、Kohonen模型概述1981年芬兰赫尔辛基大学Kohonen教授提出了一个比较完整的，分类性能较好的自组织特征影射(Self-Organizing Feature Map)人工神经网络(简称SOM网络)方案。

这种网络也称为Kohonen特征影射网络。这种网络模拟大脑神经系统自组织特征影射功能，它是一种竞争式学习网络，在学习中能无监督地进行自组织学习。

二、Hohonen模型原理1.概述SOM网络由输入层和竞争层组成。输入层神经元数为N，竞争层由M=R×C神经元组成，构成一个二维平面阵列或一个一维阵列(R=1)。输入层和竞争层之间实现全互连接。

SOM网络的基本思想是网络竞争层各神经元竞争对输入模式的响应机会，最后仅有一个神经元成为竞争的胜者，并对那些与获胜神经元有关的各连接权朝着更有利于它竞争的方向调整，这一获胜神经元就表示对输入模式的分类。

SOM算法是一种无教师示教的聚类方法，它能将任意输入模式在输出层映射成一维或二维离散图形，并保持其拓扑结构不变。即在无教师的情况下，通过对输入模式的自组织学习，在竞争层将分类结果表示出来。

此外，网络通过对输入模式的反复学习，可以使连接权矢量空间分布密度与输入模式的概率分布趋于一致，即连接权矢量空间分布能反映输入模式的统计特征。

2.网络权值初始化因为网络输入很可能出现在中间区，因此，如果竞争层的初始权值选择在输入空间的中间区，则其学习效果会更加有效。

3.邻域距离矩阵SOM网络中的神经元可以按任何方式排列，这种排列可以用表示同一层神经元间的Manhattan距离的邻域距离矩阵D来描述，而两神经元的Manhattan距离是指神经元坐标相减后的矢量中，其元素绝对值之和。

4.Kohonen竞争学习规则设SOM网络的输入模式为Xp=( ，，…， )，p=1，2.…，P。

竞争层神经元的输出值为Yj(j=1，2，…，M)，竞争层神经元j与输入层神经元之间的连接权矢量为Wj=(wj1，wj2，…，wjN)，j=1，2，…，M。

Kohonen网络自组织学习过程包括两个部分：一是选择最佳匹配神经元，二是权矢量自适应变化的更新过程。

确定输入模式Xp与连接权矢量Wj的最佳匹配的评价函数是两个矢量的欧氏距离最小，即，j=1，2，…，M，]]g，确定获胜神经元g。dg=mjin(dj)，j=1，2，…，M。

求输入模式Xp在竞争层的获胜神经元g及其在邻域距离nd内的神经元的输出。中国矿产资源评价新技术与评价新模型dgm为邻域距离矩阵D的元素，为竞争层中获胜神经元g与竞争层中其它神经元的距离。

求输入模式Xp在竞争层的获胜神经元g及其在邻域距离nd内的神经元的权值修正值。中国矿产资源评价新技术与评价新模型式中：i=1，2，…，N；lr为学习速率；t为学习循环次数。

Δwjt(t+1)的其余元素赋值为0。进行连接权的调整wji(t+1)=wji(t)+Δwji(t+1)。

5.权值学习中学习速率及邻域距离的更新(1)SOM网络的学习过程分为两个阶段第一阶段为粗学习与粗调整阶段。

在这一阶段内，连接权矢量朝着输入模式的方向进行调整，神经元的权值按照期望的方向在适应神经元位置的输入空间建立次序，大致确定输入模式在竞争层中所对应的影射位置。

一旦各输入模式在竞争层有了相对的影射位置后，则转入精学习与细调整阶段，即第二阶段。

在这一阶段内，网络学习集中在对较小的范围内的连接权进行调整，神经元的权值按照期望的方向在输入空间伸展，直到保留到他们在粗调整阶段所建立的拓扑次序。学习速率应随着学习的进行不断减小。

(2)邻域的作用与更新在SOM网络中，脑神经细胞接受外界信息的刺激产生兴奋与抑制的变化规律是通过邻域的作用来体现的邻域规定了与获胜神经元g连接的权向量Wg进行同样调整的其他神经元的范围。

在学习的最初阶段，邻域的范围较大，随着学习的深入进行，邻域的范围逐渐缩小。

(3)学习速率及邻域距离的更新在粗调整阶段，学习参数初始化最大学习循环次数 MAX_STEP1=1000，粗调整阶段学习速率初值 LR1=1.4，细调整阶段学习速率初值 LR2=0.02，最大邻域距离 MAX_ND1=Dmax，Dmax为邻域距离矩阵D的最大元素值。

粗调阶段学习循环次数step≤MAX_STEP1，学习速率lr从LR1调整到LR2，邻域距离nd 从MAX_ND1调整到1，求更新系数r，r=1-step/MAX_STEP1，邻域距离nd更新，nd=1.00001+(MAX_ND1-1)×r。

学习速率lr更新，lr=LR2+(LR1-LR2)×r。在细调整阶段，学习参数初始化，最大学习循环次数 MAX_STEP2=2000，学习速率初值 LR2=0.02，最大邻域距离 MAX_ND2=1。

细调阶段MAX_STEP1＜step≤MAX_STEP1+MAX_STEP2，学习速率lr慢慢从LR2减少，邻域距离nd设为1，邻域距离nd更新，nd=MAX_ND2+0.00001。

学习速率lr更新，lr=LR2×(MAX_STEP1/step)。6.网络的回想——预测SOM网络经学习后按照下式进行回想：中国矿产资源评价新技术与评价新模型Yj=0，j=1，2，…，M，(j≠g)。

将需要分类的输入模式提供给网络的输入层，按照上述方法寻找出竞争层中连接权矢量与输入模式最接近的神经元，此时神经元有最大的激活值1，而其它神经元被抑制而取0值。这时神经元的状态即表示对输入模式的分类。

三、总体算法1.SOM权值学习总体算法(1)输入参数X[N][P]。(2)构造权值矩阵W[M][N]。1)由X[N][P]求Xmid[N]，2)由Xmid[N]构造权值W[M][N]。

(3)构造竞争层。1)求竞争层神经元数M，2)求邻域距离矩阵D[M][M]，3)求矩阵D[M][M]元素的最大值Dmax。(4)学习参数初始化。(5)学习权值W[M][N]。

1)学习参数学习速率lr，邻域距离nd更新，分两阶段：(i)粗调阶段更新；(ii)细调阶段更新。2)求输入模式X[N][p]在竞争层的获胜神经元win[p]。

(i)求X[N][p]与W[m][N]的欧氏距离dm；(ii)按距离dm最短，求输入模式X[N][p]在竞争层的获胜神经元win[p]。

3)求输入模式X[N][p]在竞争层的获胜神经元win[p]及其在邻域距离nd内的神经元的输出Y[m][p]。

4)求输入模式X[N][p]在竞争层的获胜神经元win[p]及其在邻域距离nd内的神经元的权值修正值ΔW[m][N]，从而得到输入模式X[N][p]产生的权值修正值ΔW[M][N]。

5)权值修正W[M][N]=W[M][N]+ΔW[M][N]。

6)学习结束条件：(i)学习循环到MAX_STEP次；(ii)学习速率lr达到用户指定的LR_MIN；(iii)学习时间time达到用户指定的TIME_LIM。(6)输出。

1)学习得到的权值矩阵W[M][N]；2)邻域距离矩阵D[M][M]。(7)结束。2.SOM预测总体算法(1)输入需分类数据X[N][P]，邻域距离矩阵D[M][M]。

(2)求输入模式X[N][p]在竞争层的获胜神经元win[p]。1)求X[N][p]与W[m][N]的欧氏距离dm；2)按距离dm最短，求输入模式X[N][p]在竞争层的获胜神经元win[p]。

(3)求获胜神经元win[p]在竞争层排列的行列位置。(4)输出与输入数据适应的获胜神经元win[p]在竞争层排列的行列位置，作为分类结果。(5)结束。

四、总体算法流程图Kohonen总体算法流程图见附图4。五、数据流图Kohonen数据流图见附图4。

六、无模式识别总体算法假定有N个样品，每个样品测量M个变量，则有原始数据矩阵：X=(xij)N×M，i=1，2，…，N，j=1，2，…，M。

(1)原始数据预处理X=(xij)N×M处理为Z=(zij)N×M，分3种处理方法：1)衬度；2)标准化；3)归一化。程序默认用归一化处理。

(2)构造Kohonen网竞争层与输入层之间的神经元的连接权值构成矩阵WQ×M。WQ×M初始化。(3)进入Kohonen网学习分类循环，用epoch记录循环次数，epoch=1。

(4)在每个epoch循环中，对每个样品n(n=1，2，…，N)进行分类。从1个样品n=1开始。

(5)首先计算输入层的样品n的输入数据znm(m=1，2，…，M)与竞争层Q个神经元对应权值wqm的距离。

(6)寻找输入层的样品n与竞争层Q个神经元的最小距离，距离最小的神经元Win[n]为获胜神经元，将样品n归入获胜神经元Win[n]所代表的类型中，从而实现对样品n的分类。

(7)对样品集中的每一个样品进行分类：n=n+1。(如果n≤N，转到5。否则，转到8。

)(8)求分类后各神经元所对应的样品的变量的重心，用对应的样品的变量的中位数作为重心，用对应的样品的变量的重心来更新各神经元的连接权值。(9)epoch=epoch+1；一次学习分类循环结束。

(10)如果满足下列两个条件之一，分类循环结束，转到11；否则，分类循环继续进行，转到4。1)全部样品都固定在某个神经元上，不再改变了；2)学习分类循环达到最大迭代次数。

(11)输出：1)N个样品共分成多少类，每类多少样品，记录每类的样品编号；2)如果某类中样品个数超过1个，则输出某类的样品原始数据的每个变量的均值、最小值、最大值和均方差；3)如果某类中样品个数为1个，则输出某类的样品原始数据的各变量值；4)输出原始数据每个变量(j=1，2，…，M)的均值，最小值，最大值和均方差。

(12)结束。七、无模式识别总体算法流程图Kohonen无模式总体算法流程图见附图5。