竞争网络属于一种回馈型网络, 它们是以无指导学习算法为基础。在竞争学习中,神经网络的输出神经元互相竞争被激活的机会,且一次只能激活一个神经元。
以Hamming网络为代表的竞争网络有两个主要的特性:
1、计算了已存储的标准模式和输入模式之间的距离。
2、通过竞争来决定哪个神经元所代表的标准模式最接近输入。
在Hamming网络中,输出层神经元通过互相竞争以确定胜者。胜者将指出哪一种原型模式最能代表输入模式。这种竞争是通过在输出层神经元之间一组负连接(即逆向抑制)来实现的。
Hamming 网络由两层组成,第一层为前馈层,将输入向量与原型向量联系起来,权重矩 阵𝑊1的每一行为识别的原型向量,偏移值𝑏 1为输入向量元素个数;第二层为递归层,采用 胜者全胜方式决定哪种原型向量最接近输入向量,每次迭代每个神经元的输出都会随着所以 其他神经元输出的和按比例下降(最小的输出为 0)。
Hamming网络图如下所示:
Hamming 网络是专门为求解二值模式识别问题而设计的(输入向量的每个元素只能是两个可 能值中的一个)。它同时采用了前馈网络和反馈网络,并且第一层的神经元数目和第二层神 经元数目相同。其功能是判定输入向量最接近于哪个标准向量。