《智能控制理论与方法》教学资源（PPT讲义课件）无监和Hopfield网络

无监督学习神经元网络 竞争学习和 Kohonen自组织网络 竞争学习根据输入模式来更新权值,输入单元与所有输 出单元用w连接。输入的数目即为输入的维数,输出的 数目即为输入数据要聚类的数目。 三维数据分成四类 34 输入单元 输出单元

无监督学习神经元网络 ●竞争学习和Kohonen自组织网络 竞争学习根据输入模式来更新权值，输入单元i与所有输 出单元j 用wij 连接。输入的数目即为输入的维数，输出的 数目即为输入数据要聚类的数目

输入向量x=nx2x3}输出单元j权向量Wj=bnjw2W3 输出单元j的激励值a为:41=形W=xwy=x 具有最大激励单元k(获胜单元)更新权值,其它不变。 k(t+1) "k(t)+0(x()-k() l()+mx0=0( 权值作归一化处理,更新后的权值具有单位长度。当输入x提供给 网络时,最接近于x的权向量绕它转动,权向量向输入向量出现 最多的区域移动 举例: 1=1.23.4.5

( ) ( ( ) ( )) ( ) ( ( ) ( )) ( 1) w t x t w t w t x t w t w t k k k k k + − + − + =   具有最大激励单元k（获胜单元） 更新权值，其它不变。 举例：

0.80.173607070.34206 训练模式xxx106-098077-099308 化成极坐标形式: Fixixix1 4x5={1236871∠-80°1∠4514-701∠5313 归一化的初始权值为:n(0)=s (0) 设为05输入后权值变化为0-( 第一个神经元为胜者w1(0)更接近于×按此方式迭代直到平衡

         1 3 6.8 7 1 -8 0 1 4 5 1 7 0 1 5 3.1 3 5 1 4 1 3 1 2 1 1 x1 x x x x =    −                            −                 −         = 0.8 0.6 0.939 0.342 0.707 0.707 0.9848 0.1736 0.6 0.8 5 1 4 1 3 1 2 1 1 1 x x x x x        − =         = 0 1 w (0) 0 1 (0) w1 2        − =         = 0 1 w (1) 0.316 0.948 (1) w1 2 训练模式: 化成极坐标形式： 归一化的初始权值为： 设为0.5,输入x 1后,权值变化为: 第一个神经元为胜者,w1 (0) 更接近于x 1 ,按此方式迭代,直到平衡

1)∠ 180.00 输入向量聚类#1 18.46 0.77 234567 711 -3145 10.85 -130.22 3443 W2O)初始向量 100.01 104378 40.33 输入向量聚类 12 最终向量 134267 14 8002 15 164239 184369 7501 4842

最终向量

● Hopfield网络 是单层反馈网络有二种形式连续和离散 特点:1)自联想回归(或全连接),所有神经元与其它单元相连 但无自连接; 2)按内容编址存贮器方式进行操作,新提供的输入植r 可自动找到已存贮的合适模式

● Hopfield网络 是单层反馈网络.有二种形式:连续和离散 特点: 1)自联想.回归(或全连接),所有神经元与其它单元相连, 但,无自连接; 2)按内容编址存贮器方式进行操作,新提供的输入模式 可自动找到已存贮的合适模式