[發明專利]一種自組織協同神經網絡模型學習及構建方法

在審

• 申請號: 201910875365.1
• 申請日: 2019-09-17
• 公開（公告）號: CN110580521A
• 公開（公告）日: 2019-12-17
• 發明（設計）人: 李海峰;王子豪;馬琳;豐上;徐聰;李洪偉;薄洪健;陳婧;孫聰珊
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 51241 成都方圓聿聯專利代理事務所(普通合伙)
• 代理人: 李鵬

1.一種自組織協同神經網絡模型學習方法，其特征在于，包括以下步驟：

步驟1，數據預處理，包括以下子步驟：

步驟11，輸入樣本零均值化：對輸入樣本x完成零均值化處理

其中N為輸入樣本的維數；

步驟12，輸入樣本歸一化：對輸入樣本x完成歸一化處理

x＝||x||₂

一般采用二范數完成輸入樣本的歸一化；

步驟2，網絡初始化，包括以下子步驟：

步驟21，隨機生成原型模式權值：由于原型模式的權值未知，一般采取隨機數的方式初始化原型模式權值；

步驟22，原型模式權值零均值化：對各個原型模式向量p_i，i＝1，2，...，M完成零均值化處理

其中N為原型模式向量的維數；

步驟23，原型模式權值歸一化：對各個原型模式向量p_i，i＝1，2，...，M完成歸一化處理

p_i＝||p_i||₂

一般同樣采用二范數完成原型模式向量的歸一化；

步驟3，基于SOM網絡的原型模式自學習，包括以下子步驟：

步驟31，計算勝元位置：計算得出對于某個輸入樣本x，采用余弦距離判斷輸入樣本與各個原型模式向量p_i，i＝1，2，...，N的距離，取最大值對應的原型模式向量作為勝元

k為與輸入樣本最為相似的原型模式的標號；

步驟32，原型模式自學習：所有原型模式進行對x的學習：

其中η(t)、a(t)為步長，T為最大迭代次數，t為當前迭代次數；

步驟33，終止條件判定：如果網絡迭代次數達到T，則終止網絡工作；否則重復步驟31和32。

2.一種自組織協同神經網絡模型構建方法，其特征在于，SoSNN模型構建：基于原型模式、伴隨模式、及序參量的重定義，及中原型模式自學習方法，具體包括以下子步驟：

步驟1.伴隨模式計算，包括以下子步驟：

步驟11，對原型模式矩陣進行奇異值分解：將原型模式向量構成矩陣P，對原型模式矩陣進行奇異值分解

P＝U∑V^T

其中U、∑、V^T為奇異值分解得到的三個矩陣；

步驟12，計算伴隨模式矩陣：伴隨模式矩陣P⁺

P⁺＝V∑⁺U^T

其中∑⁺等于∑矩陣中主對角線元素求倒數形成的矩陣；

步驟2，網絡工作，在計算得出伴隨模式矩陣后，原型模式矩陣作為連接輸入層和序參量層的權值，伴隨模式矩陣作為連接序參量層和輸出層的權值，網絡開始工作。

3.根據權利要求2所述的方法，其特征在于：

所述步驟2的具體子步驟如下：

步驟21，求取序參量：輸入待識別樣本x，首先求取樣本與原型模式向量p_i的內積

ξ_i＝x·p_i，i＝1，2，...，M

得到序參量ξ_i，其中M為序參量個數或原型模式向量個數；

步驟22，序參量更新：序參量ξ_i在勢函數V

刻畫的收斂方向上完成序參量的更新；其中λ、B、C均為參數；因此，序參量ξ_i的更新公式為：

其中η為迭代步長，一般取

步驟23，計算網絡輸出：將伴隨模式用序參量加權并疊加，

得到網絡輸出；

步驟24，終止條件判斷：若某一個序參量ξ_i的取值為1，其余序參量取值為0，此時判斷網絡收斂，網絡停止工作，分類結果為第i類；否則，將網絡輸出作為新的輸入樣本，重復步驟21到23，直到網絡收斂。