数学建模|竞争学习

最新推荐文章于 2024-03-11 14:23:40 发布

未云锦上人

最新推荐文章于 2024-03-11 14:23:40 发布

阅读量889

点赞数

分类专栏：数学建模

本文链接：https://blog.csdn.net/Joycezzz/article/details/108524638

版权

本文介绍了竞争学习算法的原理，强调了网络中输出神经元间的竞争和抑制作用。并详细阐述了算法的三个步骤：向量归一化、寻找优胜神经元以及网络输出与权值调整。同时提供了代码实现的概要。

摘要由CSDN通过智能技术生成

竞争学习算法

三个步骤：
{1}向量归一化
{2}寻找优胜神经元：当网络得到一个输入模式时，竞争层所有的神经元对应的权值向量Wj^{(i=1,2,3…m)均与X}进行比较，将与X^{最为相似的Wi}判定为获胜神经元。测量相似性的方法是对Wi^与X计算欧式距离(或夹角余弦)。
在这里插入图片描述

{3}网络输出与权值调整

以下：
一、竞争网络

import numpy as np

def sigmoid(x,derivative=False):#激活函数
    return 1/(1+np.exp(-x))

def normalization(M):
    """
    对行向量进行归一化
    :param M:行向量：【dim=len(M)】
    :return: 归一化后的行向量M
    """
    M=M/np.sqrt(np.dot(M,M.T))	# np.dot()是向量内积
    return M

def normalization_all(N):
    """
    对矩阵进行归一化
    :param N: 矩阵：【m,n】
    :return: 归一化后的矩阵M_all:【m,n】
    """
    M_all=[]
    <