CPN神经网络PPT推荐.pptx
《CPN神经网络PPT推荐.pptx》由会员分享，可在线阅读，更多相关《CPN神经网络PPT推荐.pptx（27页珍藏版）》请在冰豆网上搜索。
由竞争层到输出层，网络按照基本竞争型网络学习规则，得到各输出神经元的实际输出值，并按照有教师型的误差校正方法，修正由竞争层到输出层的连接权。
经过这样的反复学习，可以将任意的输入模式映射为输出模式。
二.CPN网络结构,三.CPN网络学习和工作规则,假定输入层有N个神经元，P个连续值的输入模式为，竞争层有Q个神经元，对应的二值输出向量为，输出层有M个神经元，其连续值的输出向量为，目标输出向量为，以上。
由输入层至竞争层的连接权值向量为；
由竞争层到输出层的连接权值向量为。
网络学习和工作规则如下所述：
（1）初始化。
将连接权向量和赋予区间0,1内的随机值。
将所有的输入模式进行归一化处理：
（2）将第k个输入模式提供给网络的输入层。
（3）将连接权值向量按照下式进行归一化处理：
（4）求竞争层中每个神经元的加权输入和：
三.CPN网络学习和工作规则,（5）求连接权向量中与距离最近的向量：
将神经元g的输出设定为1，其余竞争层神经元的输出设定为0：
（6）将连接权向量按照下式进行修正：
其中，为学习率。
（7）将连接权向量重新归一化，归一化算法同上。
三.CPN网络学习和工作规则,（8）按照下式修正竞争层到输出层的连接权向量：
由步骤（5）可将上式简化为：
由此可见，只需调整竞争层获胜神经元g到输出层神经元的连接权向量，其他连接权向量保持不变。
（9）求输出层各神经元的加权输入，并将其作为输出神经元的实际输出值，同理可将其简化为（10）返回步骤
（2），直到将p个输入模式全部提供给网络。
（11）令t=t+1,将输入模式重新提供给网络学习，直到t=T。
其中T为预先设定的学习总次数，一般取500T10000。
三.CPN网络学习和工作规则,CPN网络训练结束后，按照以下步骤进行网络回想：
（1）将输入模式A提供给网络的输入层。
（2）根据下式求出竞争层的获胜神经元g：
（3）令=1，其余的输出都等于0，按照下式求出输出层各神经元的输出：
由此产生了输出模式为，从而就得到了输入A得分类结果。
三.CPN网络学习和工作规则,四.CPN神经网络实例,本文以酒瓶三元色分类为例来介绍该算法的应用。
其中，前29组数据已确定类别，后30组数据待确定类别。
由分析知，该网络的输入层有3个神经元，输出层有4个神经元，为了更加精确地解决问题，将竞争层神经元设置为13个。
下面对网络进行一个周期的学习。
网络结构如下图所示：
四.CPN神经网络实例,四.CPN神经网络实例,程序代码如下：
%初始化正向权值w和反向权值vw=rands（13,3）/2+0.5;
v=rands（1,13）/2+0.5;
%输入向量P和目标向量TP=importdata（C:
UsersAdministratorDesktoplnSelfOrganizationtrain.dat）;
T=importdata（C:
UsersAdministratorDesktoplnSelfOrganizationtarget.dat）;
T_out=T;
%设定学习步数为1000次epoch=1000;
%归一化输入向量Pfori=1:
29ifP（i,:
）=000P（i,:
）=P（i,:
）;
elseP（i,:
）/norm（P（i,:
endend,四.CPN神经网络实例,%开始训练whileepoch0forj=1:
29%归一化正向权值wfori=1:
13w（i,:
）=w（i,:
）/norm（w（i,:
s（i）=P（j,:
）*w（i,:
end%求输出为最大的神经元,即获胜神经元temp=max（s）;
fori=1:
13iftemp=s（i）count=i;
endend%将所有竞争层神经单元的输出置0fori=1:
13s（i）=0;
end,四.CPN神经网络实例,%将获胜的的神经元输出置1s（count）=1;
%权值调整w（count,:
）=w（count,:
）+0.1*P（j,:
）-w（count,:
w（count,:
）/norm（w（count,:
v（:
count）=v（:
count）+0.1*（T（j,:
）-T_out（j,:
%计算网络输出T_out（j,:
）=v（:
count）;
end%训练次数递减epoch=epoch-1;
end%训练结束T_out%网络回想%网络的输入模式PcPc=importdata（C:
UsersAdministratorDesktoplnSelfOrganizationSimulation.dat）;
四.CPN神经网络实例,%初始化Pcfori=1:
20ifPc（i,:
）=000Pc（i,:
）=Pc（i,:
elsePc（i,:
）/norm（Pc（i,:
endend%网络输出Outc=0;
0;
forj=1:
20fori=1:
13sc（i）=Pc（j,:
endtempc=max（sc）;
13iftempc=sc（i）countp=i;
四.CPN神经网络实例,endsc（i）=0;
endsc（countp）=1;
Outc（j,:
countp）;
end%回想结束Outc,四.CPN神经网络实例,运行上述程序，系统给出使用CPN神经网络训练的分类器对样本数据的分类结果：
2.00002.00001.00003.00002.00002.00003.00003.00002.00004.00002.00001.00003.00004.00004.00004.0000,T_out=3.00004.00003.00001.00004.00001.00003.00002.00004.00004.00003.00004.00004.0000,四.CPN神经网络实例,将系统的数出结果与目标结果对比，结果如下表所示。
四.CPN神经网络实例,将系统的数出结果与目标结果对比，结果如下表所示。
四.CPN神经网络实例,训练后的CPN网络对训练数据进行分类后的结果与目标结果完全吻合。
继续运行程序，系统给出训练后的CPN网络对待分类样本的分类结果：
3.00003.00003.00001.00002.00004.00002.00004.00003.00004.00002.0000,Outc=3.00003.00001.00003.00004.00002.00002.00003.00004.0000,四.CPN神经网络实例,多次运行程序，程序对待分类样本数据给出分类结果，如下表所示。
四.CPN神经网络实例,多次运行程序，程序对待分类样本数据给出分类结果，如下表所示。
从上表中可以看出，用CPN神经网络出现数据不稳定的原因主要是由于CPN算法设计的不完善所致。
但仔细观察序号为10的数据的3个特征值，特征值A为1494.63，与第三类中的序号为8的数据的特征值A（1507.13）极其相近，而且特征值B和C与第3类中样本的特征值也相差不远，这也是被CPN网络误判的一个原因。
四.CPN神经网络实例,五.小结,如果给出标准答案，则可经过对比分析，得出用CPN神经网络对测试样本的分类结果与标准答案有几个不同。
若有分类异常出现，这主要是由于CPN算法设计的不完善所致。
观察出现异常的那组数据，会发现这组数据会与表中误判类的某个数据相差不远或者极其相近，这也是这组数据被CPN网络误判的一个原因。
总的来说，由CPN神经网络的分类结果可知CPN神经网络在模式分类上有较高的准确率，能够正确、有效、快速地区分不同的特征点，学习时间较快，学习效率较高。
通过用实例学习CPN网络分类法，得出进行模式聚类时需要注意的几个问题：
（1）根据实际问题为竞争层选择合理的神经元个数，并进行恰当的排列。
一般来说，竞争层的神经元越多，结果越精确，但是竞争层的神经元过多会大大的加大训练时间，同时竞争层的神经元的增加会造成网络的容错能力下降，因此竞争层神经元的数目必须要适当的选取，不能太多，也不能太少，需要结合经验，经过多次试算来确定。
（2）一般来说，训练次数和训练速率都会影响到分类精度，综合考虑分类精度和运算时间来确定合适的训练次数和训练速率。
一般首先选择一个比较大的训练次数和比较小的训练速度，不断观察分类结果，当分类结果不再发生改变时，对应的训练次数就是合理的次数。
五.小结,
升级会员 