P:而外星则是通过联接权矢量向外输出一组信号A。它们之所以被称为内星和外星,主要 是因为其网络的结构像星形,且内星的信号流向星的内部:而外星的信号流向星的外部。下 面分别详细讨论两种神经元模型的学习规则及其功效。 d2 2 3 图8.2格劳斯贝格外星模型图 8.1.1内星学习规则 实现内星输入/输出转换的激活函数是硬限制函数。可以通过内星及其学习规则来训练 某一神经元节点只响应特定的输入矢量P,它是借助于调节网络权矢量W近似于输入矢量P 来实现的 在图8.1所示的单内星中对权值修正的格劳斯贝格内星学习规则为 Aw1j=p(pj-wnj)·a,j=l,2,…r 由(8.1)式可见,内星神经元联接强度的变化Δwj是与输出成正比的。如果内星输出a 被某一外部方式而维护高值时,那么通过不断反复地学习,权值将能够逐渐趋近于输入矢量 p的值,并趋使Δwj逐渐减少,直至最终达到wj=p,从而使内星权矢量学习了输入矢量 P,达到了用内星来识别一个矢量的目的。另一方面,如果内星输出保持为低值时,网络权 矢量被学习的可能性较小,甚至不能被学习 现在来考虑当不同的输入矢量p和p2分别出现在同一内星时的情况。首先,为了训练 的需要,必须将每一输入矢量都进行单位归一化处理,即对每一个输入矢量p(q=1,2), ∑(p)2 去乘以每一个输入元素,因此所得的用来进行网络训练的新输入矢量具有单位 1的模值 22 P；而外星则是通过联接权矢量向外输出一组信号 A。它们之所以被称为内星和外星，主要 是因为其网络的结构像星形，且内星的信号流向星的内部；而外星的信号流向星的外部。下 面分别详细讨论两种神经元模型的学习规则及其功效。 图 8．2 格劳斯贝格外星模型图 8．1．1 内星学习规则 实现内星输入／输出转换的激活函数是硬限制函数。可以通过内星及其学习规则来训练 某一神经元节点只响应特定的输入矢量 P，它是借助于调节网络权矢量 W 近似于输入矢量 P 来实现的。 在图 8．1 所示的单内星中对权值修正的格劳斯贝格内星学习规则为： (8．1) 由(8．1)式可见，内星神经元联接强度的变化Δw1j 是与输出成正比的。如果内星输出 a 被某一外部方式而维护高值时，那么通过不断反复地学习，权值将能够逐渐趋近于输入矢量 pj 的值，并趋使Δw1j 逐渐减少，直至最终达到 w1j＝pj，从而使内星权矢量学习了输入矢量 P，达到了用内星来识别一个矢量的目的。另一方面，如果内星输出保持为低值时，网络权 矢量被学习的可能性较小，甚至不能被学习。 现在来考虑当不同的输入矢量 p 1 和 p 2 分别出现在同一内星时的情况。首先，为了训练 的需要，必须将每一输入矢量都进行单位归一化处理，即对每一个输入矢量 p q (q＝1，2)， 用 去乘以每一个输入元素，因此所得的用来进行网络训练的新输入矢量具有单位 1 的模值