人工神经网络算法与机器算法,人工神经网络算法的应用
人工网络的许多算法在智能信息处理系统中得到了广泛的应用,尤其是以下四种算法。这是艺术网络,LVQ网络,科霍宁网络和霍普菲尔德网络。下面详细描述这四种算法。
1.自适应共振理论网络
自适应共振理论(ART)网络有不同的方案。ART-1网络包括两个输入层和一个输出层。这两层完全互连,并同时向前(自下而上)和反馈(自上而下)进行。
在ART-1网络运行期间,训练将持续进行,包括以下算法步骤:
(1)对于所有输出神经元,当一个输出神经元的所有警戒值都设置为1时,由于没有指定表征模式类型,所以称为独立神经元。
)2)给一个新的输入方式x。
3)允许所有输出神经元参与刺激竞争。
4)在竞争神经元中找到获胜的输出神经元。也就是说,当这个神经元的xw值在训练开始时最大,或者没有更好的输出神经元时,获胜的神经元可能是一个独立的神经元。
)5)检查输入模式X是否与获胜神经元的警告向量V足够相似。
(6) rp,即有谐振时,移至步骤(7);否则,获胜的神经元暂时失去其竞争力,因此它转到步骤(4)并重复该过程,直到不再有有能力的神经元。
2.学习矢量量化(LVQ)网络
学习由输入转换层、隐含层、输出层三层神经元组成的矢量量化(LVQ)网络。网络完全连接在输入层和抑制层之间,部分连接在抑制层和输出层之间,每个输出神经元连接到不同的抑制神经元组。
最简单的LVQ训练步骤如下。
(1)预设参考向量的初始权重。
)2)为网络提供训练输入方式。
(3)计算故障模式和每个参考向量之间的欧几里德距离。
4)更新最接近输入模式的参考向量的权重(即胜利抑制神经元的参考向量)。如果获胜的抑制神经元属于与输入模式相似的类别,并且连接到输出神经元的缓冲区,则参考向量应该接近输入模式。否则,参考向量将远离故障模式。
(5)步骤(2)移动到步骤(2),并且用新的训练输入模式重复该过程,直到所有训练模式都被正确分类或者满足某个结束标准。
3.科霍宁网络
Kohonen网络或自组织特征映射网络由两层组成:输入缓冲层和用于接受输入模式的输出层。输出层的神经元通常以规则的二维方式排列,每个输出神经元连接所有的输入神经元,形成连接到已知输出神经元的参考向量的分量。
Kohonen网络的训练包括以下步骤:
(1)为所有输出神经元的参考向量预设小的随机初始值。
)2)为网络提供训练输入方式。
3)确定获胜的输出神经元,即参考向量最接近输入模式的神经元。参考向量和输入向量之间的欧几里德距离通常被用作距离度量。
4)更新获胜神经元的参考向量及其相邻参考向量。这些参考向量接近输入向量。对于胜利参考向量,其调整是最大的,而对于远处的神经元,调整神经元附近的大小随着训练而减小,直到训练结束,胜利神经元的参考向量
4.Hopfield网络
Hopfield网络是典型的递归网络,通常只接受二进制输入(0或1)和双极性输入(1或-1)。它包含单个神经元,每个神经元与所有其他神经元相连,形成递归结构。
题目:人工神经网络算法知识点总结
本文地址:3358 www . CPP cns.com/jiao本/python/261995.html
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。