计算智能与深度学习 课件 2神经网络-8双向网络_第1页
计算智能与深度学习 课件 2神经网络-8双向网络_第2页
计算智能与深度学习 课件 2神经网络-8双向网络_第3页
计算智能与深度学习 课件 2神经网络-8双向网络_第4页
计算智能与深度学习 课件 2神经网络-8双向网络_第5页
已阅读5页，还剩2页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1对传网络(CPN)

对传网络(CounterPropagationNetwork)美国学者Hechi-Nielson在1987年首次提出是一种两层次结构网络，把两种著名的网络算法:

科荷伦自组织映射理论格劳斯贝格外星算法组合起来而形成的网络。21对传网络网络结构（两层结构）第一层为科荷伦层，采用无指导的训练方法对输入数据进行自组织竞争的分类或压缩;

第二层称为格劳斯贝格层。第一层的激活函数为二值型硬函数，而第二层为线性激活函数。

31)对于科荷伦层(第一层)的输出有：二值型硬函数2)对于格劳斯贝格层(第二层)，具有目标矢量G，此时，从前层输出的K为它的输入，输出为：线性激活函数CPN的网络结构如图所示：

42学习法则1)在科荷伦层(第一层)，通过竞争对获胜节点采用科荷伦规则调整与其相连的权矢量：2)在格劳斯贝格层(第二层)，对于在科荷伦层输出为1的输入相连的权值进行如下的调整：

53训练过程

1.初始化：

归一化处理：输入矢量P和目标矢量G；(P,G要给定）对权矢量W1和W2进行归一化随机取值；选取最大循环次数、学习速率lr1和lr2。2.科荷伦层的无指导训练过程：重复对输入的样本进行竞争计算，对获胜的科荷伦层获胜节点按科荷伦法对于其连接的权矢量进行修正；3.格劳斯贝格层有指导的训练过程：

寻找输出为1的节点，并对与该节点相连的权矢量进行修正；4.检查最大循环的数是否达到，是，停止训练，否，则转入2。6经过充分训练后的CPN可使:

科荷伦层(第一层)权矢量收敛到相似输入矢量平均值，格劳斯贝格层(第二层)权向量收敛到目标矢量(平均值)

当CPN训练后工作时，只要对网络输入一矢量X，则在科荷伦层经过竞争后产生获胜节点，并在格劳斯贝格层使获胜节点所产生的信息向前传送，在输出端得到输出矢量Y这种由矢量X得到矢量Y的过程有时也称为异联想，更广泛地说，它实现了一种计算过程。7当训练CPN使其格劳斯贝格层的目标矢量G等于科荷伦层的输入矢量P时，则可实现数据压缩。

具体做法是：首先,训练CPN使G=P，然后，将输入数据输入CPN，在科荷伦层输出得到0，1数据，这些数据为输入的压

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论