西安交通大学：《智能控制理论与方法》课程教学资源（PPT课件讲稿）无监和Hopfield网络

无监督学习神经元网络 ●克争学习和 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 3k 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=1x23输出单元;权向量y=23 输出单元j的激励值a;为:a 7=1x 具有最大激励单元k(获胜单元)更新权值,其它不变。 (+Dw+n(x(t)-n() ()+(x(0)-1() 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: 2 i=12.3.4.5

( ) ( ( ) ( )) ( ) ( ( ) ( )) ( 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：

0.80.17360.7070.3420.6 训练模式x2x3x4 06人-0.9848人0.707人-09390.8 化成极坐标形式: 1∠368714-8014451∠-701∠5313 归一化的初始权值为:w1(0) w2(O)= 设为0.5输入x后权值变化为:m() 0.948 0.316 第一个神经元为胜者,W1(O)更接近于Ⅺ1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

22) 输入向量聚类#1 18.46 30.77 37.11 20 1085 7 13022 8 W2O)初始向量 W,(0) 10001 1043.78 11 40.33 输入向量聚类# 12 13 42.67 最终向量 80.02 16 4239 —w1(0) 8001 -75.01 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,新提供的输入式 可自动找到已存贮的合适模式 y1

● 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