人工神经网路分析6

《人工神经网路分析6》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、自组织竞争网络自组织竞争网络一类采用无教师学习方式的神经网络模型，它无须期望输出，只是根据数据样本进行学习，并调整自身的权重以达到学习目的。自组织神经网络的学习规则大都采用竞争型的学习规则。竞争型神经网络的基本思想是网络竞争层的各神经元通过竞争来获取对输入模式的响应机会，最后仅有一个神经元成为胜利者，并将与获胜神经元有关的各连接权值向着更有利于其竞争的方向调整。用途：模式分类和模式识别基本的竞争网络概述：竞争网络分为输入层和竞争层。输入层竞争层模式分类Wij基本的竞争网络概述：在竞争层中神经元之间相互竞争，最终只有一个或者

2、几个神经元获胜，以适应当前的输入样本。竞争胜利的神经元就代表着当前输入样本的分布模式。其他理论：竞争后的权值按照下式进行修正，对于所有的i，有：应用实践:附件给出了一个114个基因,60个人的基因表达水平的样本.其中前20个是癌症病人的基因表达水平的样本(其中还可能有子类),其后的是20个正常人的基因表达信息样本,其余的20个是待检测的样本(未知它们是否正常).(1).试设法找出描述癌症与正常样本在基因表达水平上的区别,建立数学模型,及识别方法,去预测待检测样本是癌症还是正常样本.(2).设计图示(可视化)方法,使得在你的

3、数学模型下,尽量清楚地表现癌症与正常样本在基因表达水平上的区别,以及癌症样本中是否有子类.解题思路：1.数据的整理归一化：在matlab里面，用于归一化的方法共有三种:（1）premnmx、postmnmx、tramnmx（2）prestd、poststd、trastd（3）用matlab语言自己编程。关于用premnmx语句进行归一化：premnmx语句的语法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最

4、大值。mint和maxt分别为T的最小值和最大值。premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。下面介绍tramnmx函数：[Pn]=tramnmx(P,minp,maxp)其中P和Pn分别为变换前、后的输入数据，maxp和minp分别为premnmx函数找到的最大值和最小值。反归一化函数：postmnm竞争网络没有期望输出所以

5、我们使用mapminmax函数来对输入和待预测的样本进行归一化2.建立网络3.训练网络4.预测具体matlab实现SOM神经网络理论回忆之前内容：在生物神经系统中，存在一种“侧抑制”现象，即一个神经细胞兴奋后，通过它的分支会对周围其他神经细胞产生抑制。由于侧抑制的作用，各细胞之间相互竞争的最终结果是：兴奋作用最强的神经细胞所产生的抑制作用战胜了周围所有其他细胞的抑制作用而“赢”了，其周围的其他神经细胞侧全“输”了。自组织竞争人工神经网络正是基于上述生物系统结构和现象形成的。它是一种以无导师学习方式进行网络，具有自组织功能的

6、神经网络。网络通过自身训练，自动对输入模式进行分类。在网络结构上，自组织竞争网络一般是有输入和竞争层构成的单层网络，网络没有隐藏层，输入和竞争层之间的神经元实现双向连接，同时竞争层各神经元之间还存在横向连接。自组织竞争网络的基本思想是网络竞争层各个神经元竞争对输入模式的响应机会，最后仅一个神经元成为竞争的胜者，并对那些与获胜神经元有关的各连接权值朝向更有利于竞争的方向调整。获胜神经元表示输入模式的分类。除了竞争方法外，还有通过抑制方法获胜的，即网络竞争层各层神经元都能抑制所有其他神经元对输入模式的响应机会，从而使自己成为胜

7、利者。此外，还有一种侧抑制的方法，即每个神经元只抑制与自己临近的神经元，而对远离自己的神经元则不抑制。因此,自组织竞争网络自组织自适应的学习能力进一步拓宽了神经网络在模式识别分类方面的应用。自组织特征映射神经网络（Self-organizingFeatureMaps）简称SOFM或者SOM，也是一种无导师学习的网络，主要用于对输入向量进行区域分类。和自组织竞争网络不同的是，它不但识别输入区域临近的区域，还研究输入向量的分布特性和拓扑结构。SOM是由芬兰赫尔辛基大学神经网络专家Kohonen教授在1981年提出的。这种网络模

8、拟大脑神经系统自组织特征映射的功能，是一种竞争型网络，并在学习中能无导师进行自组织学习。1SOM模型2SOM拓扑结构3SOM神经元之间的距离的计算函数1SOM模型：SOM是由输入层和竞争层组成的单层神经网络，输入层是一维的神经元，有n个节点。竞争层是二维的神经元，按二维的形式排列成节点矩阵，有M=m^2