或在偏差范围以内的),更加容易赢得该节点的胜利。而对于一个不同的矢量出现时,就更 加不易取胜,但可能使其他某个节点获胜,归为另一类矢量群中。随着输入矢量的重复出现 而不断地调整与胜者相连的权矢量,以使其更加接近于某一类输入矢量。最终,如果有足够 的神经元节点,每一组输入矢量都能使莱一节点的输出为1而聚为该类。通过重复训练,自 组织竞争网络将所有输入矢量进行了分类 所以竞争网络的学习和训练过程,实际上是对输入矢量的划分聚类过程,使得获胜节点 与输入矢量之间的权矢量代表获胜输入矢量。 这样,当达到最大循环的值后,网络已重复多次训练了P中的所有矢量,训练结束后, 对于用于训练的模式P,其网络输出矢量中,其值为1的代表一种类型,而每类的典型模式 值由该输出节点与输入节点相连的权矢量表示。 竞争网络的输入层节点r是由已知输入矢量决定的,但竞争层的神经元数s是由设计者 确定的,它们代表输入矢量可能被划为的种类数,其值若被选得过少,则会出现有些输入矢 量无法被分类的不良结果,但若被选得太大,竞争后可能有许多节点都被空闲,而且在网络 竞争过程中还占用了大量的设计量和时间,在一定程度上造成了一定的浪费,所以一般情况 下,可以根据输入矢量的维数及其估计,再适当地增加些数目来确定。 另外还要事先确定的参数有:学习速率和最大循环次数。竞争网络的训练是在达到最大 循环次数后停止,这个数一般可取输入矢量数组的15-20倍,即使每组输入矢量能够在网 络重复出现15~20次 竞争网络的权值要进行随机归一化的初始化处理,这个过程在 MATLAB中用函数 ndr. m实现: W-rane R): 然后网络则可以进入竞争以及权值的调整阶段 网络的训练全过程完全由计算机去做,工具箱中的竞争网络训练函数为 trainc n,调用 时所需要的参数为:初始权矩阵W,输入矩阵P和具有三个训练参数的行矢量:显示循环 的频率 disp freq,最大的训练次数 max cycle以及学习速率I,它的用法如下: TP=[dispfreq max_cycle Ir I W=trainc( W, P, TP); 竞争网络比较适合用于具有大批相似数组的分类问题 竞争学习网络的局限性:12 或在偏差范围以内的)，更加容易赢得该节点的胜利。而对于一个不同的矢量出现时，就更 加不易取胜，但可能使其他某个节点获胜，归为另一类矢量群中。随着输入矢量的重复出现 而不断地调整与胜者相连的权矢量，以使其更加接近于某一类输入矢量。最终，如果有足够 的神经元节点，每一组输入矢量都能使莱一节点的输出为 1 而聚为该类。通过重复训练，自 组织竞争网络将所有输入矢量进行了分类。 所以竞争网络的学习和训练过程，实际上是对输入矢量的划分聚类过程，使得获胜节点 与输入矢量之间的权矢量代表获胜输入矢量。 这样，当达到最大循环的值后，网络已重复多次训练了 P 中的所有矢量，训练结束后， 对于用于训练的模式 P，其网络输出矢量中，其值为 1 的代表一种类型，而每类的典型模式 值由该输出节点与输入节点相连的权矢量表示。 竞争网络的输入层节点 r 是由已知输入矢量决定的，但竞争层的神经元数 s 是由设计者 确定的，它们代表输入矢量可能被划为的种类数，其值若被选得过少，则会出现有些输入矢 量无法被分类的不良结果，但若被选得太大，竞争后可能有许多节点都被空闲，而且在网络 竞争过程中还占用了大量的设计量和时间，在一定程度上造成了一定的浪费，所以一般情况 下，可以根据输入矢量的维数及其估计，再适当地增加些数目来确定。 另外还要事先确定的参数有：学习速率和最大循环次数。竞争网络的训练是在达到最大 循环次数后停止，这个数一般可取输入矢量数组的 15—20 倍，即使每组输入矢量能够在网 络重复出现 15~20 次。 竞争网络的权值要进行随机归一化的初始化处理，这个过程在 MATLAB 中用函数 randnr.m 实现： w＝randnr(S，R)； 然后网络则可以进入竞争以及权值的调整阶段。 网络的训练全过程完全由计算机去做，工具箱中的竞争网络训练函数为 trainc.m，调用 时所需要的参数为：初始权矩阵 W，输入矩阵 P 和具有三个训练参数的行矢量：显示循环 的频率 disp_freq，最大的训练次数 max_cycle 以及学习速率 lr，它的用法如下： 竞争网络比较适合用于具有大批相似数组的分类问题。 竞争学习网络的局限性：