数学建模|竞争学习

目录

1 竞争学习算法原理

• 竞争学习的关键就在于网络中存在抑制层。
• 输出神经元之间的竞争
• 网络在神经元之间可能包括反馈连接
• 每个神经元都倾向于抑制跟他同一层的神经元。相比之下，网络中的前馈的突触连接都是兴奋的。
  
  

2 代码实现

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)。

{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=[]
    for