[發(fā)明專利]一種自組織協(xié)同神經(jīng)網(wǎng)絡模型學習及構建方法在審
| 申請?zhí)枺?/td> | 201910875365.1 | 申請日： | 2019-09-17 |
| 公開（公告）號： | CN110580521A | 公開（公告）日： | 2019-12-17 |
| 發(fā)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(yè)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(lián)專利代理事務所(普通合伙) | 代理人： | 李鵬 |
| 地址： | 150001 黑龍*** | 國省代碼： | 黑龍;23 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 序參量 原型模式 模式矩陣 構建 協(xié)同神經(jīng)網(wǎng)絡 矩陣 數(shù)據(jù)預處理 網(wǎng)絡初始化 模式計算 模型學習 輸入樣本 網(wǎng)絡模型 相似程度 擴展性 層結合 輸出層 輸入層 網(wǎng)絡層 重定義 自學習 自組織 網(wǎng)絡 調(diào)控 引入 全局 改進 學習 | ||
本發(fā)明公開了一種自組織協(xié)同神經(jīng)網(wǎng)絡模型學習及構建方法，學習方法包括：數(shù)據(jù)預處理；網(wǎng)絡初始化；基于SOM網(wǎng)絡的原型模式自學習。構建方法包括：伴隨模式計算；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(wǎng)絡開始工作。本發(fā)明的優(yōu)點是：改進了SNN網(wǎng)絡模型，通過原型模式及其伴隨模式還有序參量的重定義，克服了SNN結構單一、擴展性較差的問題。在此基礎上，通過引入Kohonen網(wǎng)絡層，與SNN的序參量層結合，基于序參量原型模式與輸入樣本相似程度的實際意義，解決了SNN工作過程中全局調(diào)控困難的問題。
技術領域
本發(fā)明涉及人工智能與模式識別技術領域，特別涉及一種基于協(xié)同神經(jīng)網(wǎng)絡(Synergetic Neural Network，SNN)的自組織協(xié)同神經(jīng)網(wǎng)絡(Self-organized SNN，SoSNN)模型學習及構建方法。
背景技術
1973年德國物理學家Haken首次提出了協(xié)同學(Synergetics)理論，之后被廣泛應用于物理學、化學、生物學、神經(jīng)科學、心理學和社會學等各個領域。作為系統(tǒng)科學的重要分支理論，協(xié)同學主要研究遠離平衡態(tài)的開放系統(tǒng)如何通過內(nèi)部協(xié)同作用，自發(fā)地出現(xiàn)時間、空間和功能上的有序結構。類似地，大腦中各區(qū)域的協(xié)同也是大腦解決復雜問題的主要模式，與傳統(tǒng)ANN存在本質(zhì)差異，傳統(tǒng)ANN體現(xiàn)了層級結構，但并未實現(xiàn)分工、競爭與協(xié)作，不能靈活地應對多變的任務。用于模式識別領域的協(xié)同神經(jīng)網(wǎng)絡理論(Synergetic NeuralNetwork，SNN)在上世紀90年代提出，SNN利用支配原理和勢函數(shù)機制構造出一系列互相關聯(lián)的子系統(tǒng)，在運作過程中互相協(xié)同以生成解決問題的最優(yōu)方案。但由于SNN理論的發(fā)展也受限于相關領域研究的進展(如腦工作原理、認知神經(jīng)科學、心理學等)，故相關研究相對較少。
目前，SNN在2個方面存在亟待解決的問題：
(1)SNN結構單一、擴展性較差的問題
目前的協(xié)同神經(jīng)網(wǎng)絡結構固定且較為簡單，同類別原型模式的引入會增大識別錯誤率，且對新類別支持性較差，難以進一步提升網(wǎng)絡的性能。
(2)SNN缺少原型模式學習方法的問題
SNN沒有有效的原型模式學習方法，原型模式對于該類樣本不具有代表性，導致識別率過低，無法發(fā)揮SNN優(yōu)勢。
發(fā)明內(nèi)容
本發(fā)明針對現(xiàn)有技術的缺陷，提供了一種自組織協(xié)同神經(jīng)網(wǎng)絡模型學習及構建方法，解決了現(xiàn)有技術中存在的缺陷。
為了實現(xiàn)以上發(fā)明目的，本發(fā)明采取的技術方案如下：
一種自組織協(xié)同神經(jīng)網(wǎng)絡模型學習方法，包括以下步驟：
步驟1，數(shù)據(jù)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(shù)。
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(shù)完成輸入樣本的歸一化。
步驟2，網(wǎng)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(shù)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pi，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(shù)。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于哈爾濱工業(yè)大學，未經(jīng)哈爾濱工業(yè)大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910875365.1/2.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
