自組織神經網路

自組織神經網路是通過自動尋找樣本中的內在規律和本質屬性，自組織、自適應地改變網路參數與結構。多層感知器的學習和分類是已知一定的先驗知識為條件的，即網路權值的調整是在監督情況下進行的。而在實際套用中，有時並不能提供所需的先驗知識，這就需要網路具有能夠自學習的能力。Kohonen提出的自組織特徵映射圖就是這種具有自學習功能的神經網路。這種網路是基於生理學和腦科學研究成果提出的。

基本介紹

• 中文名：自組織神經網路
• 外文名：The self-organizing neural network
• 實質：先驗知識為條件
• 特點：監督情況下進行

簡介

腦神經科學研究表明：傳遞感覺的神經元排列是按某種規律有序進行的，這種排列往往反映所感受的外部刺激的某些物理特徵。例如，在聽覺系統中，神經細胞和纖維是按照其最敏感的頻率分布而排列的。為此，Kohonen認為，神經網路在接受外界輸入時，將會分成不同的區域，不同的區域對不同的模式具有不同的回響特徵，即不同的神經元以最佳方式回響不同性質的信號激勵，從而形成一種拓撲意義上的有序圖。這種有序圖也稱之為特徵圖，它實際上是一種非線性映射關係，它將信號空間中各模式的拓撲關係幾乎不變地反映在這張圖上，即各神經元的輸出回響上。由於這種映射是通過無監督的自適應過程完成的，所以也稱它為自組織特徵圖。

在這種網路中，輸出節點與其鄰域其它節點廣泛相連，並相互激勵。輸入節點和輸出節點之間通過強度Wij(t)相連線。通過某種規則，不斷地調整Wij(t)，使得在穩定時，每一鄰域的所有節點對某種輸入具有類似的輸出，並且這聚類的機率分布與輸入模式的機率分布相接近。

自組織神經網路最大的優點是自適應權值，極大方便尋找最優解，但同時，在初始條件較差時，易陷入局部極小值。

自組織學習

英文：self-organizedlearning

通過自動尋找樣本中的內在規律和本質屬性，自組織、自適應地改變網路參數與結構。

自組織網路的自組織功能是通過競爭學習（competitivelearning）實現的。

算法

完成自組織特徵映射的算法較多。下面給出一種常用的自組織算法：

(1)權值初始化並選定鄰域的大小；

(2)輸入模式；

(3)計算空間距離dj(dj是所有輸入節點與連線強度之差的平方和）。

(4)選擇節點j，它滿足min(dj)；

(5)改變j，和其鄰域節點的連線強度；

(6)回(2)，直到滿足dj(i)