人工神经网络算法与机器算法,人工神经网络算法的应用

　　人工网络的许多算法在智能信息处理系统中得到了广泛的应用，尤其是以下四种算法。这是艺术网络，LVQ网络，科霍宁网络和霍普菲尔德网络。下面详细描述这四种算法。

　　1.自适应共振理论网络

　　自适应共振理论(ART)网络有不同的方案。ART-1网络包括两个输入层和一个输出层。这两层完全互连，并同时向前(自下而上)和反馈(自上而下)进行。

　　在ART-1网络运行期间，训练将持续进行，包括以下算法步骤：

　　(1)对于所有输出神经元，当一个输出神经元的所有警戒值都设置为1时，由于没有指定表征模式类型，所以称为独立神经元。

　　)2)给一个新的输入方式x。

　　3)允许所有输出神经元参与刺激竞争。

　　4)在竞争神经元中找到获胜的输出神经元。也就是说，当这个神经元的xw值在训练开始时最大，或者没有更好的输出神经元时，获胜的神经元可能是一个独立的神经元。

　　)5)检查输入模式X是否与获胜神经元的警告向量V足够相似。

　　(6) rp，即有谐振时，移至步骤(7)；否则，获胜的神经元暂时失去其竞争力，因此它转到步骤(4)并重复该过程，直到不再有有能力的神经元。

　　2.学习矢量量化(LVQ)网络

　　学习由输入转换层、隐含层、输出层三层神经元组成的矢量量化(LVQ)网络。网络完全连接在输入层和抑制层之间，部分连接在抑制层和输出层之间，每个输出神经元连接到不同的抑制神经元组。

　　最简单的LVQ训练步骤如下。

　　(1)预设参考向量的初始权重。

　　)2)为网络提供训练输入方式。

　　(3)计算故障模式和每个参考向量之间的欧几里德距离。

　　4)更新最接近输入模式的参考向量的权重(即胜利抑制神经元的参考向量)。如果获胜的抑制神经元属于与输入模式相似的类别，并且连接到输出神经元的缓冲区，则参考向量应该接近输入模式。否则，参考向量将远离故障模式。

　　(5)步骤(2)移动到步骤(2)，并且用新的训练输入模式重复该过程，直到所有训练模式都被正确分类或者满足某个结束标准。

　　3.科霍宁网络

　　Kohonen网络或自组织特征映射网络由两层组成：输入缓冲层和用于接受输入模式的输出层。输出层的神经元通常以规则的二维方式排列，每个输出神经元连接所有的输入神经元，形成连接到已知输出神经元的参考向量的分量。

　　Kohonen网络的训练包括以下步骤：

　　(1)为所有输出神经元的参考向量预设小的随机初始值。

　　)2)为网络提供训练输入方式。

　　3)确定获胜的输出神经元，即参考向量最接近输入模式的神经元。参考向量和输入向量之间的欧几里德距离通常被用作距离度量。

　　4)更新获胜神经元的参考向量及其相邻参考向量。这些参考向量接近输入向量。对于胜利参考向量，其调整是最大的，而对于远处的神经元，调整神经元附近的大小随着训练而减小，直到训练结束，胜利神经元的参考向量

　　4.Hopfield网络

　　Hopfield网络是典型的递归网络，通常只接受二进制输入(0或1)和双极性输入(1或-1)。它包含单个神经元，每个神经元与所有其他神经元相连，形成递归结构。

　　题目：人工神经网络算法知识点总结

　　本文地址：3358 www . CPP cns.com/jiao本/python/261995.html

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。