A Growing Neural Gas Network Learns Topologies(GNG)

GNG
理解矢量量化（https://blog.csdn.net/qq_16234613/article/details/79991191）
概念：信号压缩方法：将若干个标量数据组构成一个矢量，然后在矢量空间给以整体量化，从而压缩了数据而不损失多少信息。
难点：难点在于它要要解决一个多维积分（multi-dimensional integration）的问题
例子：
二维为例：
｜ 我们用蓝色实线将这张图划分为16个区域。任意的一对数（也就是横轴x和纵轴y组成的任意的一个坐标点(x, y)）都会落到上面这张图中的某一特定区域。然后它就会被该区域的红星的点近似。这里有16块不同区域，就是16个红星点。然后这16个值就可以用4位的二进制码来编码表示（2^4=16）。因此，这是个2-dimensional, 4-bit VQ，它的速率同样是2bits/dimension。上面这些红星点就是量化矢量，表示图中的任意一个点都可以量化为这16个矢量中的其中一个。
｜
设计问题（写出优化目标）
优化准则
LBG算法（迭代）

论文阅读（A Growing Neural Gas Network Learns Topologies）、
    摘要
        输入：一组向量
        输出：向量的拓扑结构
        学习方式：类似于赫布理论的学习方式

    算法步骤
        0 初始化两个结点
        1 输入一个信号
        2 找到最近的结点k和次近的结点p
        3 最近结点的边的年龄增加1
        4 计算最近点k和输入信号的距离误差
        5 将结点k和k的邻居向输入信号的方向移动
        6 如果k，p有边，令边的年龄为0；没有边创建边
        7 删除超过年龄最大值的边；并且删除度为0的结点
        8 生成新的结点r
            a  设置输入多少数据产生新的结点；找到累计误差最大的结点q
            b 在结点q和q的邻居（f误差最大）插入一个结点r
            c 创建新的结点，并且连接边，删除原来的边
            d 减小结点q和f的误差（乘上参数）

        9 减小所有的结点误差（乘上参数）
        10 设置循环结束的条件可以是数据的轮数，也可是结点的大小

    模型的参数如下：
        e_b=0.1, e_n=0.006, a_max=10, l=200, a=0.5, d=0.995, passes=8，num_node=100
        ｜ e_b表示获胜的神经元移动的学习率
        ｜ e_n表示获胜的神经元的邻居移动的学习率
        ｜ a_max表示神经元连接的年龄
        ｜ l表示什么时候增加新的units
        ｜ a减少误差变量
        ｜ d减小所有unit误差变量
        ｜ passes训练次数
        ｜ num_node网络结点的个数
        ｜