学习向量量化神经网络(LVQ)设计PPT课件

主讲：周润景教授单位：电子信息工程学院,学习向量量化神经网络（LVQ）数据分类设计,1,-,目录,学习向量量化神经网络简介学习向量量化神经网络结构学习向量量化神经网络学习算法学习向量量化神经网络应用于模式分类总结,2,-,一.学习向量量化神经网络简介,LVQ网络是一种有教师训练竞争层的方法，主要用来进行向量识别。LVQ网络是两层的网络结构：第一层为竞争层，和前面的自组织竞争网络的竞争层功能相似，用于对输入向量分类；第二层为线性层，将竞争层传递过来的分类信息转换为使用者所定义的期望类别。,3,-,二.学习向量量化神经网络结构,学习向量量化神经网络结构,4,-,二.学习向量量化神经网络结构,学习向量量化网络和自组织映射网络具有非常类似的网络结构。网络有输入层和输出层组成，输入层具有N个输入节点，接受输入向量。输出层有M个神经元，呈一维线性排列。学习向量量化没有在输出层引入拓扑结构，因此在网络学习中也不再有获胜邻域的概念。输入节点和输出层神经元通过权值向量实现完全互连。其中任一神经元用i表示，其输入为输入向量和权值向量的内积。神经元的输出为，其中f(.)为神经元激励函数，一般取为线性函数,5,-,三、学习向量量化神经网络学习算法,置变量和参量；初始化权值向量及学习速率；从训练集合中选取输入向量X；寻找获胜神经元：判断分类是否正确，根据以下规则调整获胜神经元的权值向量：如果，则否则，当，则,6,-,四、学习向量量化神经网络模式分类,网络创建函数如下：net=newlvq(PR,S1,PC,LR,LF)函数各参数含义如下：PR：输入向量的范围S：竞争层神经元个数，可设置为分类目标数PC：线性层输出类别比率向量LR：学习率，默认为0.01LF：学习函数，默认为learnlv1使用学习向量量化神经网络将三元色数据按照颜色数据所表征的特点归类。其MATLAB实现程序如下：clear;clc;%训练样本pConvert=importdata(C:UsersAdministratorDesktoplnSelfOrganizationtrain.dat);p=pConvert;,7,-,%训练样本的目标矩阵t=importdata(C:UsersAdministratorDesktoplnSelfOrganizationtarget.dat);t=t;%向量转换t=ind2vec(t);%创建网络net=newlvq(minmax(p),4,.32.29.25.14);%开始训练net=train(net,p,t);%用训练好的自组织竞争网络对样本点分类Y=sim(net,p);%分类数据转换输出Yt=vec2ind(Y)pause,四、学习向量量化神经网络模式分类,8,-,%待分类数据dataConvert=importdata(C:UsersAdministratorDesktoplnSelfOrganizationSimulation.dat);data=dataConvert;%用训练好的自组织竞争网络分类样本数据Y=sim(net,data);Ys=vec2ind(Y)运行上述程序后，系统显示运行过程，并给出聚类结果：TRAINR,Epoch0/100TRAINR,Epoch4/100TRAINR,Performancegoalmet.Yt=1至15列34314132443442216至29列13223324213444,四、学习向量量化神经网络模式分类,9,-,如图a为神经网络训练模块，在这里可以查看训练结果、训练状态等。训练后即可达到误差要求，结果如图b所示。,四、学习向量量化神经网络模式分类,图a神经网络训练图,图b学习向量量化神经网络训练结果图,10,-,训练后的LVQ网络对训练数据进行分类后的结果与目标结果对比如下表所示。,四、学习向量量化神经网络模式分类,11,-,训练后的LVQ网络对训练数据进行分类后的结果与目标结果完全吻合，可见LVQ网络训练效果良好。继续运行程序则可得到待分类样本数据的分类结果：Ys=1至15列34314132443442216至30列13223324213444331至45列34342234133124246至49列4342,四、学习向量量化神经网络模式分类,12,-,比较三种竞争型人工神经网络分类器的分类结果：Ys=（自组织竞争调整显示方式后的输出结果）331342234133124243422331141333Ys=（SOM调整显示方式后的输出结果）331342234133124243422331141333Ys=（LVQ）334342234133124243422331141333,四、学习向量量化神经网络模式分类,13,-,五、总结,经对比可知，基本竞争型网络与SOM网络的分类结果相同，而与LVQ网络第3组数据的分类结果不同，与人工分类对比，发现LVQ网络出错。前两种网络对数据的分类完全正确。调整LVQ网络后用训练样本进行训练，但分类结果没有改变，与原分类结果相同（因为该网络对其他数据的