CPN神经网络PPT推荐.pptx

1、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

2、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

3、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，

4、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:UsersAdminist

5、ratorDesktoplnSelfOrganizationtarget.dat）;T_out=T;%设定学习步数为1000次epoch=1000;%归一化输入向量Pfor i=1:29 if P（i,:）=0 0 0 P（i,:）=P（i,:）;else P（i,:）/norm（P（i,:endend,四.CPN神经网络实例,%开始训练while epoch0for j=1:29%归一化正向权值w for i=1:13 w（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）;for i=1:13 i

6、f temp=s（i）count=i;end end%将所有竞争层神经单元的输出置0 for i=1:13 s（i）=0;end,四.CPN神经网络实例,%将获胜的的神经元输出置1 s（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Pc

7、Pc=importdata（C:UsersAdministratorDesktoplnSelfOrganizationSimulation.dat）;,四.CPN神经网络实例,%初始化Pcfor i=1:20 if Pc（i,:）=0 0 0 Pc（i,:）=Pc（i,:else Pc（i,:）/norm（Pc（i,:endend%网络输出Outc=0;0;for j=1:20 for i=1:13 sc（i）=Pc（j,:end tempc=max（sc）;13 if tempc=sc（i）countp=i;,四.CPN神经网络实例,end sc（i）=0;end sc（countp）=1;

8、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：,2.0000 2.0000 1.0000 3.0000 2.0000 2.0000 3.0000 3.0000 2.0000 4.0000 2.0000 1.0000 3.0000 4.0000 4.0000 4.0000,T_out=3.0000 4.0000 3.0000 1.0000 4.0000 1.0000 3.0000 2.0000 4.0000 4.0000 3.0000 4.0000 4.0000,四.CPN神经网络实例

9、,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：,3.0000 3.0000 3.0000 1.0000 2.0000 4.0000 2.0000 4.0000 3.0000 4.0000 2.0000,Outc=3.0000 3.0000 1.0000 3.0000 4.0000 2.0000 2.0000 3.0000 4.0000,四.CPN神经网络实例,多次运

10、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，

11、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,