初探神经网络（5）

最新推荐文章于 2022-05-19 11:13:04 发布
最新推荐文章于 2022-05-19 11:13:04 发布
阅读量210 收藏
点赞数
分类专栏： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44956186/article/details/92442794
版权
本文介绍了ART神经网络的工作原理，包括匹配阶段、比较阶段、搜索阶段和学习阶段。在比较阶段，计算输入模式与获胜神经元类别的相似度，若低于警戒门限则进入搜索阶段；若满足条件则进入学习阶段，对模式类进行加强学习。当输入模式无类可归时，网络会创建新的神经元代表该模式。
摘要由CSDN通过智能技术生成

上次进行的是ART网络运行原理匹配阶段的阐述，本次继续阐述其他阶段。
在匹配阶段后，选出最大匹配度的竞争获胜神经元，进行下一段 比较阶段。
比较阶段
使得R层获胜神经元所连接的外星权向量 激活，从神经元j发出的n个权值信号返回到C层的n个神经元。此时，R层输出不全为零，则C层最新的输出状态取决于R层返回的外星权向量与网络输入模式X的比较结果。由于外星权向量是R层模式类的典型向量，该比较结果反映了在匹配阶段R层竞争排名第一的模式类的典型向量与当前输入模式X的相似度。相似度的大小可用相似度N0反应，定义为：
在这里插入图片描述
因为输入xi为二进制数，N0实际上表示获胜神经元的类别模式典型向量与输入模式样本相同分量同时为1的次数。输入模式样本中的非零分量数位N1
在这里插入图片描述
用于比较警戒门限为 ，在0~1之间取值，检查输入模式与模式类典型向量之间的相似度是否低于警戒门限，如果有：
在这里插入图片描述
则X与 的相似程度不满足要求，网络发出Reset信号，使得第一阶段的匹配失败，竞争获胜神经元无效，网络进入搜索阶段。如果有

最低0.47元/天 解锁文章
weixin_44956186
关注
专栏目录
对偶传播神经网络（CPN）
ZhangPY的专栏
08-15 6345
1987年，美国学者Robert Hecht-Nielsen提出了对偶传播神经网络模型 （Counter Propagation Network，CPN），CPN最早是用来实现样本选择匹配系统的。CPN 网能存储二进制或模拟值的模式对，因此这种网络模型也可用于联想存储、模式分类、函数逼近、统计分析和数据压缩等用途。 1.    网络结构与运行原理 网络结构如图所示，各层之间的神经元全互联连接。
深度学习入门（二）初探神经网络
12-22
• 神经网络中的激活函数使用平滑变化的sigmoid 函数或ReLU函数。 • 通过巧妙地使用NumPy多维数组，可以高效地实现神经网络。 • 机器学习的问题大体上可以分为回归问题和分类问题。 • 关于输出层的激活函数，...
神经网络基础及规则
程序猿小九九的博客
05-13 2802
神经网络基础及规则1. 神经元模型2. 激活函数3. 神经网络模型分类前馈型神经网络（FeedForward NN）反馈型神经网络（FeedBack NN）4. 学习规则赫布学习规则（Hebb学习规则）离散感知学习规则连续感知器学习规则：δ规则最小均方学习规则（LMS规则）相关学习规则竞争学习&胜者为王外星学习规则 1. 神经元模型 特点： 多个输入，单个输出 不同输入权重不同 多输入累加整合 阈值特性 2. 激活函数 激活函数（Activation Function）：也叫连接函数、传递
初探神经网络（4）
weixin_44956186的博客
06-16 121
上次微博阐述的是ART网络系统结构，这次将阐述的是网络运行原理。 网络运行时接受来自环境的输入模式，检查输入模式与R层所有已存储模式类之间的匹配程度。R层所存储的模式类是通过对应R层神经元的外星权向量体现出来的，对于匹配程度最高的获胜神经元，网络要继续考察其存储模式类与当前输入模式的相似程度。相似程度按照预先设计的参考门限来考察，可能出现如下的情况： （1）如果相似度超过参考门限，将当前输入模式归...
自适应共振网络（ART）应用研究
YongJinJiang的博客
03-21 1万+
       人类智能的特性之一是能在不忘记以前学习过的事物的基础上继续学习新事物。这项特性是目前多数类神经网络模型所欠缺的，这些类神经网络模型(例如反向传播类神经网络)一般都需要事先准备好的训练模式集进行训练。当训练完毕之后，神经元之间的连接强度就确定了，除非再有新的训练动作发生，否则这些连接强度不会再有任何改变。当有新模式出现时，这些类神经网络模型只能由用户将新模式加到训练模式中，形成新的训练...
神经网络聚类方法：SOM算法原理
热门推荐
wj176623的专栏
09-13 7万+
一个神经网络接收外界输入模式时，将会分为不同的对应区域，各区域对输入模式有不同的响应特征，而这个过程是自动完成的。其特点与人脑的自组织特性类似。SOM的目标是用低维（通常是二维或三维）目标空间的点来表示高维空间中的所有点，尽可能地保持点间的距离和邻近关系（拓扑关系）。 自组织神经网络：是无导师学习网络。它通过自动寻找样本中的内在规律和本质属性，自组织，自适应地改变网络参数与结构。
神经网络技术初探.pdf
09-26
神经网络技术是人工智能领域的重要组成部分，它源自对生物神经元工作原理的模拟。自20世纪40年代，Warren McCulloch和Walter Pitts提出的神经元模型为这一领域的研究奠定了基础。随着时间的推移，Donald Hebb的理论...
人工神经网络初探.pdf
09-26
人工神经网络初探.pdf
基于卷积神经网络的手势识别初探.pdf
09-27
5. 特征抽取（Feature Extraction）：卷积神经网络中的特征抽取是指神经网络从图像中提取有用信息的过程。该过程可以自动学习到图像中的特征，使得神经网络能够更好地识别图像。 6. 分类过程（Classification）：...
神经网络在统计中的应用初探.pdf
09-25
"神经网络在统计中的应用初探" 神经网络作为机器学习的一种算法，在人工智能方面有着广泛的应用。神经网络不但可以作为分类器，也可以解决回归问题。在统计领域中，神经网络可以用来构建回归模型，预测连续值的目标...
机器学习算法——神经网络5（ART 1网络）
Vicky_xiduoduo的博客
05-19 2575
竞争型学习是神经网络中一种常用的无监督学习策略，在使用该策略时，网络的输出神经元相互竞争，每一时刻仅有一个竞争获胜的神经元被激活，其他神经元的状态被抑制，这种机制亦称为“胜者通吃”原则。 ART（Adaptive Resonance Theory，自适应谐振理论）网络是竞争型学习的重要代表。该网络由比较层、识别层、识别阈值和重置模块构成。其中，比较层负责接收输入样本，并将其传递给识别层；识别层每个神经元对应一个模式类，神经元数目可在训练过程中动态增长以增加新的模式类。 在接收到比较层的输入信号后，识别层
自组织映射网络和学习向量量化网络
weixin_34214500的博客
07-13 129
在人的视网膜、脊髓中有一种现象，当一个神经细胞兴奋后，会对周围神经细胞产生抑制作用。极端情况下，不允许其他细胞兴奋，这就是上文提到的学习规则中的胜者为王。 竞争学习算法分为3步： 向量归一化输入的模式向量X和竞争层各细胞的内星权向量Wj(j-1,2,...,m)都是进行归一化。并且每次迭代都要进行归一化操作。 寻找获胜神经元竞争层各细胞的内星权向量Wj(j-1,2,...,m)与输入向量...
竞争学习的基本概念和原理
ZhangPY的专栏
08-14 8514
竞争学习是自组织网络中最常采用的一种学习策略。  一、基本概念 先说明几个重要的概念。 1. 模式、分类、聚类与相似性 在神经网络应用中，输入样本、输入模式和输入模式样本这样的术语基本上是等同的概念。在涉及识别、分类问题时，常用到输入模式的概念。模式是对某些感兴趣的客体的定量描述或结构描述，模式类是具有某些共同特征的模式的集合。分类是在类别知识等导师信号的指导下，将待识别的输入模式分配
神经网络-联想学习规则-内星学习规则
pjw2146087的博客
04-24 1341
A: Winner - Take - All（胜者为王）学习规则是一种竞争关系的学习规则，用于无监督学习，一般将网络的某一层确定为竞争层，对于一个特定的输入x，竞争层的所有的p个神经元均有输出响应，其中响应值最大的神经元为在竞争中获胜的神经元，即： ...
神经网络学习笔记（七） 自组织竞争神经网络
cyhbrilliant的博客
10-12 1万+
自组织竞争神经网络一、概述自组织竞争神经网络是一种无监督的学习方法。与之前不同的是，前几节讲述的神经网络都是有标签，并且更新所有权值，但是他们并没有考虑到人体神经元的侧抑制现象，也就是在很多情况下，某一个神经元刺激仅能激活很少一部分神经元而不是所有神经元，这就体现了一种竞争的思想。竞争神经网络每次只更新一个被激活的权值并且没有标签去告诉他应该怎么做，这更像是一种聚类方法。二、网络模型自组织竞争神经网
自适应共振理论网络 ART
weixin_30535843的博客
08-19 1111
引言 自适应共振理论的发源与现状 1976年， 美国 Boston 大学学者 G. A.Carpenter 提出自适应共振理论（Adaptive Res-onance Theory ， ART ）， 他多年来一直试图为人类的心理和认知活动建立统一的数学理论， ART 就是这一理论的核心部分。随后 G. A.Ca...
3.4神经网络学习规则
黑白吾尝的博客
05-16 4592
神经网络学习规则关于学习的定义学习规则的类型赫布法则赫布学习规则离散感知器学习规则连续感知器学习规则：δ规则最小均方学习规则外星学习规则 关于学习的定义 学习是指通过训练使个体在行为上产生较为持久改变的过程，一般来说效果随着训练的增加而提高，即通过学习获得进步。 人工神经网络的功能由其连接的拓扑结构和网络的连接权值决定，其全体的权值 W 整体反映了神经网络对于所解决问题的知识存储。即一旦拓扑结构和权值确定，该网络就可以应用于新的数据得到结果。 人工神经网络的学习就是通过对样本的学习训练，不断改变网络的拓扑结
5116-微信小程序电影院订票选座系统设计及实现+ssm（源码+数据库+lun文）.zip
最新发布
09-15
本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。
JavaScript 中的 `Array.prototype.filter` 方法全解析
09-15
在 JavaScript 编程中，处理数组是一项基本而重要的任务。数组的过滤操作是其中的一个常见需求，Array.prototype.filter 方法为此提供了强大的支持。本文将深入探讨 Array.prototype.filter 方法的工作原理、使用场景、代码示例以及与其他数组方法的比较。 Array.prototype.filter 是 JavaScript 中处理数组的强大工具，它允许开发者以声明式的方式轻松筛选出符合特定条件的元素。通过结合使用 Array.prototype.filter 和其他数组方法，可以解决各种复杂的数据筛选问题。 通过本文的详细介绍和示例代码，你应该能够掌握 Array.prototype.filter 的工作原理，并能够在实际开发中灵活运用它来处理数组数据。此外，了解其与 Array.prototype.map 和 Array.prototype.reduce 的结合使用，可以帮助你更好地编写高效且易于维护的代码。
PSO-BP神经网络
07-27
- *2* *3* [PSO优化BP神经网络初探](https://blog.csdn.net/zypiverson001/article/details/130245421)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值