人工神经网络及其应用 第6讲自组织网络 何建华 电信系,华中科技大 2003年3月7日
人工神经网络及其应用 第6讲 自组织网络 何建华 电信系，华中科技大学 2003年3月7日
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