第08讲自组织竞争人工神 经网络 zoujiang(@public.wh.hb.cn 邹江
第08讲 自组织竞争人工神 经网络 zoujiang@public.wh.hb.cn 邹江
在实际的神经网络中,比如人的视网膜中,存在 着一种“侧抑制”现象,即一个神经细胞兴奋 后,通过它的分支会对周围其他神经细胞产生 抑制。 自组织竞争人工神经网络正是基于上述生物结构 和现象形成的。它能够对输入模式进行自组织 训练和判断,并将其最终分为不同的类型。 与BP网络相比,这种自组织自适应的学习能力进 步拓宽了人工神经网络在模式识别、分类方 面的应用,另一方面,竞争学习网络的核心 竞争层,又是许多种其他神经网络模型的重 要组成部分
在实际的神经网络中，比如人的视网膜中，存在 着一种“侧抑制”现象，即一个神经细胞兴奋 后，通过它的分支会对周围其他神经细胞产生 抑制。 自组织竞争人工神经网络正是基于上述生物结构 和现象形成的。它能够对输入模式进行自组织 训练和判断，并将其最终分为不同的类型。 与BP网络相比，这种自组织自适应的学习能力进 一步拓宽了人工神经网络在模式识别、分类方 面的应用，另一方面，竞争学习网络的核心— —竞争层，又是许多种其他神经网络模型的重 要组成部分
Q8.1几种联想学习规则 格劳斯贝格(S. Grossberg)提出了两种类型的神经 元模型:内星与外星,用以来解释人类及动物 的学习现象 内星可以被训练来识别矢量; 外星可以被训练来产生矢量
8．1几种联想学习规则 格劳斯贝格(S．Grossberg)提出了两种类型的神经 元模型：内星与外星，用以来解释人类及动物 的学习现象。 内星可以被训练来识别矢量； 外星可以被训练来产生矢量
2 Pr r 图8.1格劳斯贝格内星模型图 内星是通过联接权矢量W接受一组输入信号P
图8.1 格劳斯贝格内星模型图 内星是通过联接权矢量W接受一组输入信号P
P 图8.2格劳斯贝格外星模型图 外星则是通过联接权矢量向外输出一组信号A。 它们之所以被称为内星和外星,主要是因为其网络的 结构像星形,且内星的信号流向星的内部;而外星的 信号流向星的外部
图8．2 格劳斯贝格外星模型图 外星则是通过联接权矢量向外输出一组信号A。 它们之所以被称为内星和外星，主要是因为其网络的 结构像星形，且内星的信号流向星的内部；而外星的 信号流向星的外部