自組織神經(jīng)網(wǎng)絡(luò)(SOM)方法及其應(yīng)用

自組織神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)第四章自組織神經(jīng)網(wǎng)絡(luò)競爭層輸入層本文檔共66頁；當(dāng)前第1頁；編輯于星期一\1點48分第四章自組織神經(jīng)網(wǎng)絡(luò)自組織學(xué)習(xí)(self-organizedlearning)：

通過自動尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)。自組織網(wǎng)絡(luò)的自組織功能是通過競爭學(xué)習(xí)（competitivelearning）實現(xiàn)的。

本文檔共66頁；當(dāng)前第2頁；編輯于星期一\1點48分4.1競爭學(xué)習(xí)的概念與原理4.1.1基本概念分類——分類是在類別知識等導(dǎo)師信號的指導(dǎo)下，將待識別的輸入模式分配到各自的模式類中去。聚類——無導(dǎo)師指導(dǎo)的分類稱為聚類，聚類的目的是將相似的模式樣本劃歸一類，而將不相似的分離開。本文檔共66頁；當(dāng)前第3頁；編輯于星期一\1點48分相似性測量＿歐式距離法4.1.1基本概念本文檔共66頁；當(dāng)前第4頁；編輯于星期一\1點48分相似性測量＿余弦法4.1.1基本概念本文檔共66頁；當(dāng)前第5頁；編輯于星期一\1點48分4.1.2競爭學(xué)習(xí)原理競爭學(xué)習(xí)規(guī)則——Winner-Take-All網(wǎng)絡(luò)的輸出神經(jīng)元之間相互競爭以求被激活，結(jié)果在每一時刻只有一個輸出神經(jīng)元被激活。這個被激活的神經(jīng)元稱為競爭獲勝神經(jīng)元，而其它神經(jīng)元的狀態(tài)被抑制，故稱為WinnerTakeAll。本文檔共66頁；當(dāng)前第6頁；編輯于星期一\1點48分競爭學(xué)習(xí)規(guī)則——Winner-Take-All1.向量歸一化

首先將當(dāng)前輸入模式向量X和競爭層中各神經(jīng)元對應(yīng)的內(nèi)星向量Wj全部進行歸一化處理；(j=1,2,…,m)本文檔共66頁；當(dāng)前第7頁；編輯于星期一\1點48分向量歸一化之前本文檔共66頁；當(dāng)前第8頁；編輯于星期一\1點48分向量歸一化之后本文檔共66頁；當(dāng)前第9頁；編輯于星期一\1點48分競爭學(xué)習(xí)原理競爭學(xué)習(xí)規(guī)則——Winner-Take-All2.尋找獲勝神經(jīng)元

當(dāng)網(wǎng)絡(luò)得到一個輸入模式向量時，競爭層的所有神經(jīng)元對應(yīng)的內(nèi)星權(quán)向量均與其進行相似性比較，并將最相似的內(nèi)星權(quán)向量判為競爭獲勝神經(jīng)元。欲使兩單位向量最相似，須使其點積最大。即：本文檔共66頁；當(dāng)前第10頁；編輯于星期一\1點48分從上式可以看出，欲使兩單位向量的歐式距離最小，須使兩向量的點積最大。即：競爭學(xué)習(xí)規(guī)則——Winner-Take-All本文檔共66頁；當(dāng)前第11頁；編輯于星期一\1點48分競爭學(xué)習(xí)規(guī)則——勝者為王(Winner-Take-All)3.網(wǎng)絡(luò)輸出與權(quán)值調(diào)整jj*

步驟3完成后回到步驟1繼續(xù)訓(xùn)練，直到學(xué)習(xí)率衰減到0。本文檔共66頁；當(dāng)前第12頁；編輯于星期一\1點48分競爭學(xué)習(xí)的幾何意義?本文檔共66頁；當(dāng)前第13頁；編輯于星期一\1點48分競爭學(xué)習(xí)的幾何意義

*

1W?

*?jW

*

)](?)(?)[()(*ttttjpWXW-=hD

*┆

)(?*1tj+W

)(?tpX

jW?

mW?

*

…

***本文檔共66頁；當(dāng)前第14頁；編輯于星期一\1點48分競爭學(xué)習(xí)游戲?qū)⒁痪S樣本空間的12個樣本分為3類本文檔共66頁；當(dāng)前第15頁；編輯于星期一\1點48分競爭學(xué)習(xí)游戲w1w2w3x訓(xùn)練樣本集o1o1o1本文檔共66頁；當(dāng)前第16頁；編輯于星期一\1點48分例4.1用競爭學(xué)習(xí)算法將下列各模式分為2類：解：為作圖方便，將上述模式轉(zhuǎn)換成極坐標(biāo)形式：競爭層設(shè)兩個權(quán)向量，隨機初始化為單位向量：本文檔共66頁；當(dāng)前第17頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第18頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第19頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第20頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第21頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第22頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第23頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第24頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第25頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第26頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第27頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第28頁；編輯于星期一\1點48分4.2自組織特征映射神經(jīng)網(wǎng)絡(luò)

（Self-OrganizingfeatureMap）1981年芬蘭Helsink大學(xué)的T.Kohonen教授提出一種自組織特征映射網(wǎng)，簡稱SOM網(wǎng)，又稱Kohonen網(wǎng)。Kohonen認為：一個神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時，將會分為不同的對應(yīng)區(qū)域，各區(qū)域?qū)斎肽Ｊ骄哂胁煌捻憫?yīng)特征，而且這個過程是自動完成的。自組織特征映射正是根據(jù)這一看法提出來的，其特點與人腦的自組織特性相類似。本文檔共66頁；當(dāng)前第29頁；編輯于星期一\1點48分SOM網(wǎng)的生物學(xué)基礎(chǔ)

生物學(xué)研究的事實表明，在人腦的感覺通道上，神經(jīng)元的組織原理是有序排列。因此當(dāng)人腦通過感官接受外界的特定時空信息時，大腦皮層的特定區(qū)域興奮，而且類似的外界信息在對應(yīng)區(qū)域是連續(xù)映象的。對于某一圖形或某一頻率的特定興奮過程，神經(jīng)元的有序排列以及對外界信息的連續(xù)映象是自組織特征映射網(wǎng)中競爭機制的生物學(xué)基礎(chǔ)。本文檔共66頁；當(dāng)前第30頁；編輯于星期一\1點48分SOM網(wǎng)的拓撲結(jié)構(gòu)

SOM網(wǎng)共有兩層，輸入層模擬感知外界輸入信息的視網(wǎng)膜，輸出層模擬做出響應(yīng)的大腦皮層。

本文檔共66頁；當(dāng)前第31頁；編輯于星期一\1點48分SOM網(wǎng)的權(quán)值調(diào)整域

SOM網(wǎng)的獲勝神經(jīng)元對其鄰近神經(jīng)元的影響是由近及遠，由興奮逐漸轉(zhuǎn)變?yōu)橐种?，因此其學(xué)習(xí)算法中不僅獲勝神經(jīng)元本身要調(diào)整權(quán)向量，它周圍的神經(jīng)元在其影響下也要程度不同地調(diào)整權(quán)向量。這種調(diào)整可用三種函數(shù)表示：本文檔共66頁；當(dāng)前第32頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第33頁；編輯于星期一\1點48分SOM網(wǎng)的權(quán)值調(diào)整域

以獲勝神經(jīng)元為中心設(shè)定一個鄰域半徑，該半徑圈定的范圍稱為優(yōu)勝鄰域。在SOM網(wǎng)學(xué)習(xí)算法中，優(yōu)勝鄰域內(nèi)的所有神經(jīng)元均按其離開獲勝神經(jīng)元的距離遠近不同程度地調(diào)整權(quán)值。

優(yōu)勝鄰域開始定得很大，但其大小隨著訓(xùn)練次數(shù)的增加不斷收縮，最終收縮到半徑為零。本文檔共66頁；當(dāng)前第34頁；編輯于星期一\1點48分SOM網(wǎng)的運行原理訓(xùn)練階段w1w2w3

w4

w5本文檔共66頁；當(dāng)前第35頁；編輯于星期一\1點48分SOM網(wǎng)的運行原理工作階段本文檔共66頁；當(dāng)前第36頁；編輯于星期一\1點48分SOM網(wǎng)的學(xué)習(xí)算法(1)初始化對輸出層各權(quán)向量賦小隨機數(shù)并進行歸一化處理，得到，j=1,2,…m；建立初始優(yōu)勝鄰域Nj*(0)；學(xué)習(xí)率

賦初始值。(2)接受輸入從訓(xùn)練集中隨機選取一個輸入模式并進行歸一化處理，得到，p{1,2,…,P}。(3)尋找獲勝節(jié)點計算與的點積，j=1,2,…m，從中選出點積最大的獲勝節(jié)點j*。(4)定義優(yōu)勝鄰域Nj*

(t)以j*為中心確定t時刻的權(quán)值調(diào)整域，一般初始鄰域Nj*

(0)較大，訓(xùn)練過程中Nj*

(t)隨訓(xùn)練時間逐漸收縮。Kohonen學(xué)習(xí)算法本文檔共66頁；當(dāng)前第37頁；編輯于星期一\1點48分Kohonen學(xué)習(xí)算法SOM網(wǎng)的學(xué)習(xí)算法本文檔共66頁；當(dāng)前第38頁；編輯于星期一\1點48分(5)調(diào)整權(quán)值對優(yōu)勝鄰域Nj*(t)內(nèi)的所有節(jié)點調(diào)整權(quán)值：

i=1,2,…n

jNj*(t)式中，是訓(xùn)練時間t和鄰域內(nèi)第j個神經(jīng)元與獲勝神經(jīng)元j*之間的拓撲距離N

的函數(shù)，該函數(shù)一般有以下規(guī)律：Kohonen學(xué)習(xí)算法SOM網(wǎng)的學(xué)習(xí)算法本文檔共66頁；當(dāng)前第39頁；編輯于星期一\1點48分(5)調(diào)整權(quán)值(6)結(jié)束檢查學(xué)習(xí)率是否衰減到零或某個預(yù)定的正小數(shù)？Kohonen學(xué)習(xí)算法SOM網(wǎng)的學(xué)習(xí)算法本文檔共66頁；當(dāng)前第40頁；編輯于星期一\1點48分Kohonen學(xué)習(xí)算法程序流程本文檔共66頁；當(dāng)前第41頁；編輯于星期一\1點48分功能分析(1)保序映射——將輸入空間的樣本模式類有序地映射在輸出層上。例1：動物屬性特征映射。本文檔共66頁；當(dāng)前第42頁；編輯于星期一\1點48分功能分析本文檔共66頁；當(dāng)前第43頁；編輯于星期一\1點48分(2)數(shù)據(jù)壓縮——將高維空間的樣本在保持拓撲結(jié)構(gòu)不變的條件下投影到低維空間。(3)特征抽取——高維空間的向量經(jīng)過特征抽取后可以在低維特征空間更加清晰地表達。例2：SOM網(wǎng)用于字符排序。功能分析本文檔共66頁；當(dāng)前第44頁；編輯于星期一\1點48分本文檔共66頁；當(dāng)前第45頁；編輯于星期一\1點48分SOM網(wǎng)在皮革配皮中的應(yīng)用

要生產(chǎn)出優(yōu)質(zhì)皮衣，必須保證每件皮衣所用皮料在顏色和紋理方面的相似性。在生產(chǎn)中，通常由有經(jīng)驗的工人根據(jù)皮料顏色、紋理的相近程度進行分類。這道稱為“配皮”的工序，因光照條件、工人經(jīng)驗不同以及情緒、體力等因素變化的影響，質(zhì)量難于保證。計算機皮革檢測與分類系統(tǒng)可對成批皮革的顏色及紋理進行在線檢測、特征值提取及快速分類，從而代替了傳統(tǒng)的手工操作，取得了良好的效果。

本文檔共66頁；當(dāng)前第46頁；編輯于星期一\1點48分系統(tǒng)硬件組成CCD彩色攝像機解碼器（PAL)圖像采集卡及幀存儲器計算機486/66彩色監(jiān)視器打印機標(biāo)準(zhǔn)燈箱

皮革皮料傳送帶D65光源本文檔共66頁；當(dāng)前第47頁；編輯于星期一\1點48分基于SOM神經(jīng)網(wǎng)絡(luò)的皮革聚類1.顏色紋理特征提取顏色參數(shù):CIE1996均勻顏色空間值

l*,a*,b*紋理參數(shù):梯度均值μ2,梯度標(biāo)差σ2,及梯度墑T8。皮革外觀由６維輸入矢量

I=[l*,a*,b*,

μ2,σ2,T8]描述

本文檔共66頁；當(dāng)前第48頁；編輯于星期一\1點48分2.SOM神經(jīng)網(wǎng)絡(luò)的設(shè)計網(wǎng)絡(luò)結(jié)構(gòu):6輸入1維線陣輸出。聚類時每批100張皮，平均每件皮衣需要5～6張皮，因此將輸出層設(shè)置20個神經(jīng)元。每個神經(jīng)元代表一類外觀效果相似的皮料，如果聚為一類的皮料不夠做一件皮衣，可以和相鄰類歸并使用。

基于SOM神經(jīng)網(wǎng)絡(luò)的皮革聚類本文檔共66頁；當(dāng)前第49頁；編輯于星期一\1點48分3.網(wǎng)絡(luò)參數(shù)設(shè)計

Nj*

(t)優(yōu)勝鄰域在訓(xùn)練開始時覆蓋整個輸出線陣，以后訓(xùn)練次數(shù)每增加Δt=tm/P，Nj*(t)鄰域兩端各收縮一個神經(jīng)元直至鄰域內(nèi)只剩下獲勝神經(jīng)元。

對η(t)采用了以下模擬退火函數(shù)：η0＝0.95tm＝5000tp＝1500本文檔共66頁；當(dāng)前第50頁；編輯于星期一\1點48分4.皮革紋理分類結(jié)果

基于SOM神經(jīng)網(wǎng)絡(luò)的皮革聚類本文檔共66頁；當(dāng)前第51頁；編輯于星期一\1點48分SOM網(wǎng)用于物流中心城市分類評價

(1)物流中心城市評價指標(biāo)與數(shù)據(jù)樣本簡單選取5個評價指標(biāo)作為網(wǎng)絡(luò)輸入：x1—人均GDP(元)，x2—工業(yè)總產(chǎn)值(億元)，x3—社會消費品零售總額(億元)，x4—批發(fā)零售貿(mào)易總額(億元)，x5—貨運總量(萬噸)。

本文檔共66頁；當(dāng)前第52頁；編輯于星期一\1點48分44個物流中心城市分類評價樣本

本文檔共66頁；當(dāng)前第53頁；編輯于星期一\1點48分SOM網(wǎng)用于物流中心城市分類評價

(2)物流中心城市的分類和評價分析

物流中心城市

全國性物流中心城市區(qū)域性物流中心城市地區(qū)性物流中心城市綜合型貨運型本文檔共66頁；當(dāng)前第54頁；編輯于星期一\1點48分SOM網(wǎng)用于物流中心城市分類評價

(2)物流中心城市的分類和評價分析

按照SOM算法步驟，取開始的1000次迭代為排序階段，學(xué)習(xí)率=0.9；其后為收斂階段，學(xué)習(xí)率為