人工神經網路演算法

人工神經網路的許多演算法已在智慧資訊處理系統中廣泛採用，特別突出是以下4種演算法：ART網路、LVQ網路、Kohonen網路Hopfield網路。

以下就具體介紹這四個演算法：

1．自適應諧振理論（ART）網絡

自適應諧振理論（ART）網絡具有不同的方案。一個ART-1網路含有兩層一個輸入層和一個輸出層。這兩層完全互連，該連接沿著正向（自底向上）和反饋（自頂向下）兩個方向進行。

當ART-1網路在工作時，其訓練是連續進行的，且包括下列演算法步驟：

（1）對於所有輸出神經元，如果一個輸出神經元的全部警戒權值均置為1，則稱為獨立神經元，因為它不被指定表示任何模式類型。

（2）給予一個新的輸入模式x。

（3）使所有的輸出神經元能夠參與激發競賽。

（4）從競爭神經元中找到獲勝的輸出神經元，即這個神經元的x·W值為最大；在開始訓練時或不存在更好的輸出神經元時，優勝神經元可能是個獨立神經元。

（5）檢查該輸入模式x是否與獲勝神經元的警戒向量V足夠相似。

（6）如果r≥p，即存在諧振，則轉向步驟（7）；否則，使獲勝神經元暫時無力進一步競爭，並轉向步驟（4），重複這一過程直至不存在更多的有能力的神經元為止。

推薦課程：Python教學。

2．學習向量量化（LVQ）網絡

學習向量量化（LVQ）網絡，它由三層神經元組成，即輸入轉換層、隱含層和輸出層。此網路在輸入層與隱含層之間為完全連接，而在隱含層與輸出層之間為部分連接，每個輸出神經元與隱含神經元的不同群組連接。

最簡單的LVQ訓練步驟如下：

（1）預置參考向量初始權值。

（2）供給網路一個訓練輸入模式。

（3）計算輸人模式與每個參考向量間的Euclidean距離。

（4）更新最接近輸入模式的參考向量（即獲勝隱含神經元的參考向量）的權值。如果獲勝隱含神經元以輸入模式一樣的類別屬於連接至輸出神經元的緩衝器，那麼參考向量應更接近輸入模式。否則，參考向量就離開輸人模式。

（5）轉至步驟（2），以某個新的訓練輸入模式重複此過程，直到全部訓練模式被正確地分類或滿足某個終止準則為止。

3． Kohonen網路

Kohonen網路或自組織特徵映射網路含有兩層，一個輸入緩衝層用於接收輸入模式，另一個為輸出層，輸出層的神經元一般按正則二維陣列排列，每個輸出神經元連接至所有輸入神經元。連接權值形成與已知輸出神經元相連的參考向量的分量。

訓練一個Kohonen網路包含下列步驟：

（1）對所有輸出神經元的參考向量預置小的隨機初值。

（2）供給網路一個訓練輸入模式。

（3）決定獲勝的輸出神經元，即參考向量最接近輸入模式的神經元。參考向量與輸入向量間的Euclidean距離通常被用作距離測量。

（4）更新獲勝神經元的參考向量及其近鄰參考向量。這些參考向量（被引導至）更接近輸入向量。對於獲勝參考向量，其調整是最大的，而對於離得更遠的神經元，減少調整個神經元鄰域的大小隨著訓練的進行而相對減小，到訓練結束，只有獲勝神經元的參考向量被調整。

4． Hopfield網路

Hopfield網路是一種典型的遞歸網絡，這種網路通常只接受二進位輸入（0或1）以及雙極輸入（ 1或-1）。它含有一個單層神經元，每個神經元與所有其他神經元連接，形成一個遞歸結構。

以上是人工神經網路演算法的詳細內容。更多資訊請關注PHP中文網其他相關文章！