随机选定的初值点出发,进行多次计算,但这些方法都不可避免地加大了工作量。 24蠓虫分类问题的求解 下面利用上文所叙述的网络结构及方法,对蠓虫分类问题求解。编写 Matlab程序 如下 c⊥ear p1=[1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90 2;1.56,2.08] p2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00 8,2.00;1.30,1.96] =[p1;p2] pr=minmax (p) goal=[ones(1, 9),zeros(l,6)i zeros(1, 9),ones(1,6)1 plot(p1(:;1),p1(:;2),"h',p2(:;1),p2(:,2),'o") net=newff(pr,[3, 2],['logsig,'logsig) net trainParam show =10 net trainParamlr =0.05; net trainParam epochs =50000 net train(net, p, goal) x=[1.241.80;1.281.84;1.402.04] yO=sim(net, p) y=sim(net, x) §3处理蠓虫分类的另一种网络方法 3.1几个有关概念 在介绍本节主要内容之前,首先说明几个不同的概念。在上一节中,我们把利用 BP算法确定联接强度,即权值的过程称为“学习过程”,这种学习的特点是,对任何 个输入样品,其类别事先是已知的,理想输出也已事先规定,因而从它所产生的实际输 出与理想输出的异同,我们清楚地知道网络判断正确与否,故此把这一类学习称为在教 师监督下的学习;与它不同的是,有些情况下学习是无监督的,例如,我们试图把一组 样品按其本身特点分类,所要划分的类别是事先未知的,需要网络自身通过学习来决定 因而,在学习过程中,对每一输入所产生的输出也就无所谓对错,对于这样的情况,显 然BP算法是不适用的。 另一个有关概念是所谓有竞争的学习。在上节所讨论的蠓虫分类网络中,尽管我们 所希望的理想输出是(1,0)或(0,1),但实际输出并不如此,一般而言,两个输出单元均 同时不为0。与此不同,我们完全可以设想另外一种输出模式:对应任何一组输入,所 有输出单元中,只允许有一个处于激发态,即取值为1,其它输出单元均被抑制,即取 值为0。一种形象的说法是,对应任何一组输入,要求所有的输出单元彼此竞争,唯 的胜利者赢得一切,失败者一无所获,形成这样一种输出机制的网络学习过程,称为有 竞争的学习。 3.2最简单的无监督有竞争的学习 本节叙述一种无监督有竞争的网络学习方法,由此产生的网络可用来将一组输入样 品自动划分类别,相似的样品归于同一类别,因而激发同一输出单元,这一分类方式 是网络自身通过学习,从输入数据的关系中得出的 蠓虫分类问题对应有教师的网络学习过程,显然不能由如上的方法来解决。但在这 种无监督有竞争的学习阐明之后,很容易从中导出一种适用于有监督情况的网络方法; 此外,本节所介绍的网络,在数据压缩等多种领域,都有其重要应用。 -236--236- 随机选定的初值点出发，进行多次计算，但这些方法都不可避免地加大了工作量。 2.4 蠓虫分类问题的求解 下面利用上文所叙述的网络结构及方法，对蠓虫分类问题求解。编写 Matlab 程序 如下： clear p1=[1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90; 1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08]; p2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00 1.28,2.00;1.30,1.96]; p=[p1;p2]'; pr=minmax(p); goal=[ones(1,9),zeros(1,6);zeros(1,9),ones(1,6)]; plot(p1(:,1),p1(:,2),'h',p2(:,1),p2(:,2),'o') net=newff(pr,[3,2],{'logsig','logsig'}); net.trainParam.show = 10; net.trainParam.lr = 0.05; net.trainParam.goal = 1e-10; net.trainParam.epochs = 50000; net = train(net,p,goal); x=[1.24 1.80;1.28 1.84;1.40 2.04]'; y0=sim(net,p) y=sim(net,x) §3 处理蠓虫分类的另一种网络方法 3.1 几个有关概念 在介绍本节主要内容之前，首先说明几个不同的概念。在上一节中，我们把利用 BP 算法确定联接强度，即权值的过程称为“学习过程”，这种学习的特点是，对任何一 个输入样品，其类别事先是已知的，理想输出也已事先规定，因而从它所产生的实际输 出与理想输出的异同，我们清楚地知道网络判断正确与否，故此把这一类学习称为在教 师监督下的学习；与它不同的是，有些情况下学习是无监督的，例如，我们试图把一组 样品按其本身特点分类，所要划分的类别是事先未知的，需要网络自身通过学习来决定， 因而，在学习过程中，对每一输入所产生的输出也就无所谓对错，对于这样的情况，显 然 BP 算法是不适用的。 另一个有关概念是所谓有竞争的学习。在上节所讨论的蠓虫分类网络中，尽管我们 所希望的理想输出是(1,0) 或(0,1) ，但实际输出并不如此，一般而言，两个输出单元均 同时不为 0。与此不同，我们完全可以设想另外一种输出模式：对应任何一组输入，所 有输出单元中，只允许有一个处于激发态，即取值为 1，其它输出单元均被抑制，即取 值为 0。一种形象的说法是，对应任何一组输入，要求所有的输出单元彼此竞争，唯一 的胜利者赢得一切，失败者一无所获，形成这样一种输出机制的网络学习过程，称为有 竞争的学习。 3.2 最简单的无监督有竞争的学习 本节叙述一种无监督有竞争的网络学习方法，由此产生的网络可用来将一组输入样 品自动划分类别，相似的样品归于同一类别，因而激发同一输出单元，这一分类方式， 是网络自身通过学习，从输入数据的关系中得出的。 蠓虫分类问题对应有教师的网络学习过程，显然不能由如上的方法来解决。但在这 种无监督有竞争的学习阐明之后，很容易从中导出一种适用于有监督情况的网络方法； 此外，本节所介绍的网络，在数据压缩等多种领域，都有其重要应用