最新人工神经网络第四章ART课件ppt
合集下载
人工神经网络-95页PPT文档资料
MATLAB名字由MATrix和 LABoratory 两词的前三个字 母组合而成。20世纪七十年代后期，时任美国新墨西 哥大学计算机科学系主任的Cleve Moler教授出于减轻 学生编程负担的动机，为学生设计了一组调用LINPACK 和EISPACK库程序的“通俗易用”的接口，此即用 FORTRAN编写的萌芽状态的MATLAB。
《医学信息分析与决策》课程组
10
一、神经网络简介
神经网络的基本功能
传统分类能力
ANN 分类能力
分类与识别功能
2019/11/29
• ①“初值:步长:终值” 产生一个行向量（行矩 阵）。当步长为1时可以省略。如：1:5;1:2:6
• ②特殊命令：linspace(x,x2,n): ones(n)
（3）用input指令输入单个参数 （4）用小型矩阵或用数据文件输入
2019/11/29
《医学信息分析与决策》课程组
28
二、MATLAB简介
25
二、MATLAB简介
数值与变量
①数值
②变量：
• 变量名、函数名是对大小写很敏感的，两个字符串 表示的变量，字母都相同，大小写不同，也视为不 同的变量；
• 第一个字母必须是英文字母； • 字符间不可留空格； • 最多只能有31个字符（只能用英文字母、数字和下
连字符） • 一行中“%”后的内容仅作注释用，对MATLAB的计
《医学信息分析与决策》课程组
11
一、神经网络简介
《医学信息分析与决策》课程组
10
一、神经网络简介
神经网络的基本功能
传统分类能力
ANN 分类能力
分类与识别功能
2019/11/29
• ①“初值:步长:终值” 产生一个行向量（行矩 阵）。当步长为1时可以省略。如：1:5;1:2:6
• ②特殊命令：linspace(x,x2,n): ones(n)
（3）用input指令输入单个参数 （4）用小型矩阵或用数据文件输入
2019/11/29
《医学信息分析与决策》课程组
28
二、MATLAB简介
25
二、MATLAB简介
数值与变量
①数值
②变量：
• 变量名、函数名是对大小写很敏感的，两个字符串 表示的变量，字母都相同，大小写不同，也视为不 同的变量；
• 第一个字母必须是英文字母； • 字符间不可留空格； • 最多只能有31个字符（只能用英文字母、数字和下
连字符） • 一行中“%”后的内容仅作注释用，对MATLAB的计
《医学信息分析与决策》课程组
11
一、神经网络简介
人工神经网络ppt课件
LOGO
人工神经网络ppt课件
感知器
• 一种类型的ANN系统是以感知器为基础
• 感知器以一个实数值向量作为输入，计 算这些输入的线性组合，如果结果大于 某个阈值，就输出1，否则输出-1
o(x1,..xn .), 11w 0w 1o x1 t.h..ew nrxnw 0ise
其 值 率中，。每用特个来别w决地i是定 ，一输-w个入0是实xi阈对数值感常。知量器，输或出叫的做贡权献
• 算法的一种常用改进方法是随着梯度下降步数 的增加逐渐减小学习速率
2019.12.18
机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏
26
梯度下降的随机近似
• 梯度下降是一种重要的通用学习范型，它是搜 索庞大假设空间或无限假设空间一种策略
• 梯度下降应用于满足以下条件的任何情况
2019.12.18
机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏
33
可微阈值单元
• 使用什么类型的单元来构建多层网络？
• 多个线性单元的连接仍产生线性函数，而我们 希望构建表征非线性函数的网络
Байду номын сангаас
• 感知器单元可以构建非线性函数，但它的不连 续阈值使它不可微，不适合梯度下降算法
2019.12.18
机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏
25
梯度下降法则的推导（4）
• 梯度下降算法如下
– 选取一个初始的随机权向量 – 应用线性单元到所有的训练样例，根据公式4.7计算
每个权值的w 更新权值
• 因为误差曲面仅包含一个全局的最小值，所以 无论训练样例是否线性可分，算法都会收敛到 具有最小误差的权向量，条件是使用足够小的 学习速率
人工神经网络ppt课件
感知器
• 一种类型的ANN系统是以感知器为基础
• 感知器以一个实数值向量作为输入，计 算这些输入的线性组合，如果结果大于 某个阈值，就输出1，否则输出-1
o(x1,..xn .), 11w 0w 1o x1 t.h..ew nrxnw 0ise
其 值 率中，。每用特个来别w决地i是定 ，一输-w个入0是实xi阈对数值感常。知量器，输或出叫的做贡权献
• 算法的一种常用改进方法是随着梯度下降步数 的增加逐渐减小学习速率
2019.12.18
机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏
26
梯度下降的随机近似
• 梯度下降是一种重要的通用学习范型，它是搜 索庞大假设空间或无限假设空间一种策略
• 梯度下降应用于满足以下条件的任何情况
2019.12.18
机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏
33
可微阈值单元
• 使用什么类型的单元来构建多层网络？
• 多个线性单元的连接仍产生线性函数，而我们 希望构建表征非线性函数的网络
Байду номын сангаас
• 感知器单元可以构建非线性函数，但它的不连 续阈值使它不可微，不适合梯度下降算法
2019.12.18
机器学习-人工神经网络 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏
25
梯度下降法则的推导（4）
• 梯度下降算法如下
– 选取一个初始的随机权向量 – 应用线性单元到所有的训练样例，根据公式4.7计算
每个权值的w 更新权值
• 因为误差曲面仅包含一个全局的最小值，所以 无论训练样例是否线性可分，算法都会收敛到 具有最小误差的权向量，条件是使用足够小的 学习速率
最新4人工神经网络导论第4章ppt课件
9
4.2.2 Hebb规则 为了将Hebb假设用于训练线性联想器
的权值矩阵，那么又如何给出Hebb假设的 数学解释呢？首先，再次重述一下该假设：
若一条突触两侧的两个神径元同时被激活， 那么突触的强度将会增大。
06.01.202110来自Hebb规则:请注意在式（4.2）中，输入p j 和 输 以出 ，Ha ei 之bb间假的设连意接味（着突：触如）果是一权个值正W 的i j 。输所入 p j 产生一个正的输出 a i ，那么应该增加 W ij
入/输出对依次应用式（4.7)那么有
Q
06.01.2021
14
Q
W t1 p 1 T t2 p T 2 t3 p 3 T tQ p T Q tq p T q q 1
用矩阵形式可以表示为
(4 .8 )
W[t1 t2
其中
p1T tQ] pT2
TPT
pTQ
(4.9)
T [ t 1 t 2 t Q ] ,P [ p 1 p 2 p Q ]( 4 . 1 0 )
q 1
q 1
06.01.2021
16
由于 p q 为标准正交向量所以有
（ pT qpk） 1 0， ， q q k k
（ 4.12）
因此式（4.11）可重写为（对4.11式，只有 p = k 时有值，且（pTqpk）1 ）
a = W p k tk （ 4 .1 3 ）
06.01.2021
17
度的正的常数。
06.01.2021
11
这个等式表明：权值的变化与突触两边的活 跃函数值的乘积成正比例。
此处把式（4.4）简化成如下形式。
w i( jk 1 ） w i( jk)a iq p jq
人工神经网络讲稿ppt课件
举例：2-3岁小孩能够从人群中认出父母、3-4岁能够顺利地穿过十字路 口，但最先进机器人也难以完成这项任务。
因而模仿人类思维方式能够提升机器人能力
人工神经网络讲稿
5/40
1.2 神经细胞与生物神经网络
1. 神经网络
组织形式 大脑中大约有100亿个神经元，它们相互连接，形成一个复杂庞大网络
系统。所以大脑结构是一个神经（元）网络。 依据预计，每个神经元大约与上千个神经元相互连接。 大脑所形成神经网络是由一些小网络连接而成。依据预计，全部神经元
层次结构：神经元联接按层次排列。 模块结构：主要特点是将整个网络按功效划分为不一样模块，每个模块 内部神经元紧密互联，并完成各自特定功效，模块之间再互联以完成整体功 效； 层次模块结构：将模块结构和层次结构结合起来，使之更靠近人脑神经 系统结构，这也是当前为人们广泛注意一个新型网络互联模式。 依据网络中神经元层数不一样，可将神经网络分为单层网络和多层网络； 依据同层网络神经元之间有没有相互联接以及后层神经元与前层神经元有 没有反馈作用不一样，可将神经网络分为以下各种。
Hopfield网络和BP算法出现，使得人工神经研究出现了复兴。因为人 工神经网络在信息处理方面优点，使得大批学者加入到了这一研究领域， 掀起了神经网络研究新高潮。
人工神经网络讲稿
13/40
4. 全方面发展时期（1987-现在） 1987年在美国召开了第一届国际神经网络学术大会，并宣告成立了
国际神经网络学会，与会代表1600多人。这次大会也宣告了神经网络 学科诞生。神经网络研究进入了一个转折点，其范围不停扩大，领域 几乎包含各个方面。神经网络应用使工业技术发生了很大改变，尤其 是在自动控制领域有了新突破。
互制约，从而能够将层内神经元分为几组，让每组作为一个整体来动作。
《神经网络第四章》PPT课件
方法，模拟生物神经网络的记忆机理，获得了
令人满意的结果。
医学PPT
4
1985年Hopfield和D．W．Tank用这种网络模型成 功地求解了优化组合问题中的具有典型意义的旅行 商(TSP)问题，在所有随机选择的路径中找到了其 中十万分之一的最优路径，这在当时是神经网络研 究工作中所取得的突破性进展。
用差分方程表征；
医学PPT
28
从系统动力学的观点看，此时的网络已不象误差反 向传播那样只是非线性映射的网络，而是一个反馈 动力学系统。
准确地说．是一个多输入、多输出、带阈值的二态非 线性动力学系统。
医学PPT
29
一个抽象的动力学系统，与一个具有实际物理意义
的动力学系统比较，抽象系统的动态过程必定是使 某个与实际系统形式上一致的“能量函数”减小的 过程。
u 这里特别应该注意的是，改变状态的神经元 i，并
不是按顺序进行的，而是按随机的方式选取的。
医学PPT
23
下面将Hopfield工作运行规则总结如下：
(1)从网络中随机选取一个神经元ui； (2)求所选中的神经元ui的所有输入的加权总和；
(3)计算ui的第t+1时刻的输出值，即
医学PPT
24
(4)ui以外的所有神经元输出保持不变
U＝(u1，u2，…,un) 其中，ui＝1或0 (i＝1，2，…．n)
Hopfield网络的各个神经元都是相互连接的，即每
一个神经元都将自己的输出通过连接权传送给所有 其它神经元，同时每个神经元又都接收所有其它神 经元传递过来的信息。
医学PPT
Hale Waihona Puke 15特别值得注意的是，由于Hopfield网络的这种结构 特征，对于每一个神经元来说、自己输出的信号经 过其它神经元又反馈回自己，所以也可以认为
令人满意的结果。
医学PPT
4
1985年Hopfield和D．W．Tank用这种网络模型成 功地求解了优化组合问题中的具有典型意义的旅行 商(TSP)问题，在所有随机选择的路径中找到了其 中十万分之一的最优路径，这在当时是神经网络研 究工作中所取得的突破性进展。
用差分方程表征；
医学PPT
28
从系统动力学的观点看，此时的网络已不象误差反 向传播那样只是非线性映射的网络，而是一个反馈 动力学系统。
准确地说．是一个多输入、多输出、带阈值的二态非 线性动力学系统。
医学PPT
29
一个抽象的动力学系统，与一个具有实际物理意义
的动力学系统比较，抽象系统的动态过程必定是使 某个与实际系统形式上一致的“能量函数”减小的 过程。
u 这里特别应该注意的是，改变状态的神经元 i，并
不是按顺序进行的，而是按随机的方式选取的。
医学PPT
23
下面将Hopfield工作运行规则总结如下：
(1)从网络中随机选取一个神经元ui； (2)求所选中的神经元ui的所有输入的加权总和；
(3)计算ui的第t+1时刻的输出值，即
医学PPT
24
(4)ui以外的所有神经元输出保持不变
U＝(u1，u2，…,un) 其中，ui＝1或0 (i＝1，2，…．n)
Hopfield网络的各个神经元都是相互连接的，即每
一个神经元都将自己的输出通过连接权传送给所有 其它神经元，同时每个神经元又都接收所有其它神 经元传递过来的信息。
医学PPT
Hale Waihona Puke 15特别值得注意的是，由于Hopfield网络的这种结构 特征，对于每一个神经元来说、自己输出的信号经 过其它神经元又反馈回自己，所以也可以认为
人工神经网络ArtificialNeuralNetworks[可修改版ppt]
![人工神经网络ArtificialNeuralNetworks[可修改版ppt]](https://img.taocdn.com/s3/m/d6ebf379b7360b4c2e3f6481.png)
Feeding input
P(l1) P(l2)
P(lm) P(f1) P(f2)
P(fn)
竞争后的发 放概率
w'1 w'2
… w'm
w1
w2
+
*
…
wn
P(X)
Pafter(Xi )
Pbefor(eXi )
n
竞争前的发 放概率
Pbefor(eXj )
j1
特征捆绑的计算模型
图像理解是一个高层的感知任务，基于Bayes连接域网络模 型BLFN，提出了一种特征捆绑计算模型，能够实现物体知 觉的整体识别。
述神经元的膜电势x和电压恢复量y之间的相互作用如下
dx yg(x)I
dt
dy x by dt
Eckhorn模型
1990年，根据猫的视皮层的同步振荡现象，Eckhorn提出一 个脉冲神经网络模型，如图所示。这个模型由许多相互连接 的神经元构成，每个神经元包括两个功能上截然不同的输入 部分：分别是常规的馈接（Feeding）输入，和起调制作用 的连接（Linking）输入。而这两部分的关系并非像传统神 经元那样是加耦合的关系，而是乘耦合的关系。
Eckhorn模型
Um,kFk(t)[1Lk(t)]
N
F k(t)[w k fiY i(t) S k(t) N k(t)] I(V a ,a ,t)
i 1
N
L k(t) [w k liY i(t)N k(t)] I(Vl,l,t) i 1
1 Yk(t)0
Um,k(t)k(t)
其它
一般表示为
X （ t)Z (t) I(,,t)
M
对象Man的 特征
人工神经网络第四章ART
rm
模式类。
…
…
网 络 系
由C 层向上连接到R 第j 个节点的 内星权向量用Bj=（b1j，b2j，…,bnj
统 结 构
）表示。
C 层的输出向量C 沿m个内星权向 量Bj(j=1,2,…,m)向前传送，到达R 层各个神经元节点后经过竞争在产
… … … … b11
b1j b1m
bn1
bnj bnm
… … bi1 bij bim
阶段的匹配结果有效，网络进入学习阶段。
4.5.1.2 网络运行原理
(3)搜索阶段
网络发出Reset 重置信号后即进入搜索阶段，重置信号的作用是使前
面通过竞争获胜的神经元受到抑制，并且在后续过程中受到持续的抑制，
网 直到输入一个新的模式为止。由于R 层中的竞争获胜的神经元被抑制，从
络 运
而再度出现R0=0，G1=1，因此网络又重新回到起始的匹配状态。
设计成当前输入模式向量，
4.5.1.2 网络运行原理
(4)学习阶段
在学习阶段要对发生共振的获胜节点对应的模式类加强学习，
使以后出现与该模式相似的输入样本时能获得更大的共振。
网
络 运
ART网络运行中存在两种记忆方式：
行 原
短期记忆：C 层和R 层输出信号称为短期记忆，用STM（Short
理
time memory）表示，短期记忆在运行过程中会不断发生变化；
第1步：输入模式X A ，将R 层的4个节点中输出最大的
一个命名为节点1，有j*=1。由于初始化后tij=1，所以相
例 一
似度N0/N1=1，大于警戒门限，故第一个模式被命名为第
模 一类模式。按式(4.27)修改节点1的内星权向量，得
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
种事先设定的测量标准，与X未达到预先设定的相似度ρ，表明两
者未充分接近，于是系统发出Reset信号使竞争获胜神经元无效。
4.5.1.2 网络运行原理
相似程度可能出现的两种情况：
①相似度超过参考门限
选该模式类作为当前输入模式的代表类。权值调
网 整规则是，相似度超过参考门限的模式类调整其相应的
络 运 行
G1=1，反馈回送信号为0，C层输出 应由输入信号决定，有C=X。
反馈回送信号不为0，G1=0，C层输 出应取决于输入信号与反馈信号的比较
情况，如果xi=，则ci=xi。否则ci=0。
4.5.1.1网络系统结构
（2）R层结构
R 层有m 个节点，用以表示m 个输
入模式类。m可动态增长，以设立新
模式类。
自
提出自适应共振理论(Adaptive Resonance
适 应
Theory，缩写为ART)，他多年来一直试图为
共 振 理 论
人类的心理和认知活动建立统一的数学理论， ART就是这一理论的核心部分。随后 G.A.Carpenter又与S.Grossberg提出了ATR网络。
共振现象的一些例子
4.5.1.1网络系统结构
人工神经网络第四章ART
思考并回答以下几个问题
神经网络的学习和记忆特性
学习过程的本质？ 网络将知识存储（记忆）在什么地方？ 对于感知器/BP网络/SOM网络学习时，当新样
本输入时，权值的改变对旧样本的影响是什么？
自适应共振理论（ART）
历史
1976年，美国Boston大学学者G.A.Carpenter
内外星权向量，以使其以后遇到与当前输入模式接近的 样本时能得到更大的相似度；对其它权值向量则不做任
原 理
何变动。
②相似度不超过门限值
需在网络输出端设立一个代表新模式类的节点， 用以代表及存储该模式，以便于参加以后的匹配过程。
4.5.1.2 网络运行原理
对于每一个输入，模式网络运行过程可归纳为四个阶段：
网 络
•控制信号G1的作用是在网络开始运行时为1，以使C=X，其后为0以
系 使C 值由输入模式和反馈模式的比较结果决定。设R 层输出向量各
统 结
分量的逻辑“或”用R0表示，则信号G1G=2 R0 ，当R 层输出向量R
构 的各分量为全0而输入向量X不是零向量时，G1=1，否则G1=0。
•控制信号Reset的作用是使R层竞争获胜神经元无效，如果根据某
网
向量激活，从节点j* 发出的n个权值
络 信号返回到C 层的n个节点。此时，R
c1
ci
…
cn
…
运 行 原
层输出不全为零，R0=1，而G1==0，所 G 1 以C 层最新输出状态C’取决于由R 层
x1
xI
xn
ห้องสมุดไป่ตู้
理 返回的外星权向量和网络输入模式X
的比较结果，即，i=1,2,…,n。由于 外星权向量是R 层模式类的典型向量
j=1,2,…，m
(4.22)
i1
选择具有最大匹配度(即具有最大点积)的竞争获胜节点：
nej*tmj a{nxej}t
使获胜节点输出 r j * =1，其它节点输出为0。
4.5.1.2 网络运行原理
(2)比较阶段
R层输出信息通过外星向量返回
R层
……
到C层。R 层获胜节点所连的外星权
t1j tij tnj
n
n
N0XTtj* tij*xi ci
i1
i1
，该比较结果C’反映了在匹配阶段R
设输入模式样本中的非零分量数为：
层竞争排名第一的模式类的典型向量 与当前输入模式X 的相似程度。相似
n
N1 xi
程度的大小可用相似度N0 反映，定义
i 1
为：
4.5.1.2 网络运行原理
(2)比较阶段
用于比较的警戒门限为ρ，在0～1范围取值。检查输入模式与模式类典
(1)匹配阶段
网络在没有输入之前处于等待状态，此时输入端X＝0，因此信
网
号G2＝0，R0= 0。当输入不全为0的模式X 时，G2＝1，R0=0，使得
络 运
G1==1。G1为1时允许输入模式直接从C层输出，并向前传至R 层，
行 原 理
与R 层节点对应的所有内星向量Bj 进行匹配计算：
n
nejtBTj X bijxi
r1
…
rj
rm
…
… … … … b11 b1j b1m bn1 bnj bnm … … bi1 bij bim ……
C
层
4.5.1.1网络系统结构
(3)控制信号
•控制信号G2的作用是检测输入模式X 是否为0，它等于X 各分量的
逻辑“或”，如果xi(i =1,2,…,n)为全0，则G2=0，否则G2=1。
型向量之间的相似性是否低于警戒门限，如果有
网
络
N0/N1<ρ
运
行
则X与的相似程度不满足要求，网络发出 Reset 信号使第一阶段的匹配失败
原 理
，竞争获胜节点无效，网络进入搜索阶段。如果有
N0/N1>ρ
表明X与获胜节点对应的类别模式非常接近，称X 与 T j * 发生“共振”，第一
阶段的匹配结果有效，网络进入学习阶段。
行 原
由于上次获胜的节点受到持续的抑制，此次获胜的必然是上次匹配程
理 度排在第二的节点，将该节点对应的外星权向量与输入模式进行匹配计算
。如果对R层所有的模式类，在比较阶段的相似度检查中相似度都不能满
网 络 系
由C 层向上连接到R 第j 个节点的 内星权向量用Bj=（b1j，b2j，…,bnj
统
）表示。
结
C 层的输出向量C 沿m个内星权向
构
量Bj(j=1,2,…,m)向前传送，到达R
层各个神经元节点后经过竞争在产
生获胜节点j*，指示本次输入模式的
所属类别。
获胜节点输出=1，其余节点输出为 0。R 层各模式类节点的典型向量。
R层
……
网
络
系 统
t1j tij tnj
结 构
c1
ci
cn
…
…
G1
x1
xI
xn
(1)C 层结构
该层有n个节点，每个节点接受来自
3个方面的信号：
来自外界的输入信号xi； 来自R 层获胜神经元的外星向量的返 回信号Tj； 来自G1的控制信号。
C 层节点的输出ci是根据2/3的“多 数表决”原则产生的，即输出值ci与xi 、tij 、G1 3个信号中的多数信号值相同 。
4.5.1.2 网络运行原理
(3)搜索阶段
网络发出Reset 重置信号后即进入搜索阶段，重置信号的作用是使前
面通过竞争获胜的神经元受到抑制，并且在后续过程中受到持续的抑制，
网 直到输入一个新的模式为止。由于R 层中的竞争获胜的神经元被抑制，从
络 运
而再度出现R0=0，G1=1，因此网络又重新回到起始的匹配状态。
者未充分接近，于是系统发出Reset信号使竞争获胜神经元无效。
4.5.1.2 网络运行原理
相似程度可能出现的两种情况：
①相似度超过参考门限
选该模式类作为当前输入模式的代表类。权值调
网 整规则是，相似度超过参考门限的模式类调整其相应的
络 运 行
G1=1，反馈回送信号为0，C层输出 应由输入信号决定，有C=X。
反馈回送信号不为0，G1=0，C层输 出应取决于输入信号与反馈信号的比较
情况，如果xi=，则ci=xi。否则ci=0。
4.5.1.1网络系统结构
（2）R层结构
R 层有m 个节点，用以表示m 个输
入模式类。m可动态增长，以设立新
模式类。
自
提出自适应共振理论(Adaptive Resonance
适 应
Theory，缩写为ART)，他多年来一直试图为
共 振 理 论
人类的心理和认知活动建立统一的数学理论， ART就是这一理论的核心部分。随后 G.A.Carpenter又与S.Grossberg提出了ATR网络。
共振现象的一些例子
4.5.1.1网络系统结构
人工神经网络第四章ART
思考并回答以下几个问题
神经网络的学习和记忆特性
学习过程的本质？ 网络将知识存储（记忆）在什么地方？ 对于感知器/BP网络/SOM网络学习时，当新样
本输入时，权值的改变对旧样本的影响是什么？
自适应共振理论（ART）
历史
1976年，美国Boston大学学者G.A.Carpenter
内外星权向量，以使其以后遇到与当前输入模式接近的 样本时能得到更大的相似度；对其它权值向量则不做任
原 理
何变动。
②相似度不超过门限值
需在网络输出端设立一个代表新模式类的节点， 用以代表及存储该模式，以便于参加以后的匹配过程。
4.5.1.2 网络运行原理
对于每一个输入，模式网络运行过程可归纳为四个阶段：
网 络
•控制信号G1的作用是在网络开始运行时为1，以使C=X，其后为0以
系 使C 值由输入模式和反馈模式的比较结果决定。设R 层输出向量各
统 结
分量的逻辑“或”用R0表示，则信号G1G=2 R0 ，当R 层输出向量R
构 的各分量为全0而输入向量X不是零向量时，G1=1，否则G1=0。
•控制信号Reset的作用是使R层竞争获胜神经元无效，如果根据某
网
向量激活，从节点j* 发出的n个权值
络 信号返回到C 层的n个节点。此时，R
c1
ci
…
cn
…
运 行 原
层输出不全为零，R0=1，而G1==0，所 G 1 以C 层最新输出状态C’取决于由R 层
x1
xI
xn
ห้องสมุดไป่ตู้
理 返回的外星权向量和网络输入模式X
的比较结果，即，i=1,2,…,n。由于 外星权向量是R 层模式类的典型向量
j=1,2,…，m
(4.22)
i1
选择具有最大匹配度(即具有最大点积)的竞争获胜节点：
nej*tmj a{nxej}t
使获胜节点输出 r j * =1，其它节点输出为0。
4.5.1.2 网络运行原理
(2)比较阶段
R层输出信息通过外星向量返回
R层
……
到C层。R 层获胜节点所连的外星权
t1j tij tnj
n
n
N0XTtj* tij*xi ci
i1
i1
，该比较结果C’反映了在匹配阶段R
设输入模式样本中的非零分量数为：
层竞争排名第一的模式类的典型向量 与当前输入模式X 的相似程度。相似
n
N1 xi
程度的大小可用相似度N0 反映，定义
i 1
为：
4.5.1.2 网络运行原理
(2)比较阶段
用于比较的警戒门限为ρ，在0～1范围取值。检查输入模式与模式类典
(1)匹配阶段
网络在没有输入之前处于等待状态，此时输入端X＝0，因此信
网
号G2＝0，R0= 0。当输入不全为0的模式X 时，G2＝1，R0=0，使得
络 运
G1==1。G1为1时允许输入模式直接从C层输出，并向前传至R 层，
行 原 理
与R 层节点对应的所有内星向量Bj 进行匹配计算：
n
nejtBTj X bijxi
r1
…
rj
rm
…
… … … … b11 b1j b1m bn1 bnj bnm … … bi1 bij bim ……
C
层
4.5.1.1网络系统结构
(3)控制信号
•控制信号G2的作用是检测输入模式X 是否为0，它等于X 各分量的
逻辑“或”，如果xi(i =1,2,…,n)为全0，则G2=0，否则G2=1。
型向量之间的相似性是否低于警戒门限，如果有
网
络
N0/N1<ρ
运
行
则X与的相似程度不满足要求，网络发出 Reset 信号使第一阶段的匹配失败
原 理
，竞争获胜节点无效，网络进入搜索阶段。如果有
N0/N1>ρ
表明X与获胜节点对应的类别模式非常接近，称X 与 T j * 发生“共振”，第一
阶段的匹配结果有效，网络进入学习阶段。
行 原
由于上次获胜的节点受到持续的抑制，此次获胜的必然是上次匹配程
理 度排在第二的节点，将该节点对应的外星权向量与输入模式进行匹配计算
。如果对R层所有的模式类，在比较阶段的相似度检查中相似度都不能满
网 络 系
由C 层向上连接到R 第j 个节点的 内星权向量用Bj=（b1j，b2j，…,bnj
统
）表示。
结
C 层的输出向量C 沿m个内星权向
构
量Bj(j=1,2,…,m)向前传送，到达R
层各个神经元节点后经过竞争在产
生获胜节点j*，指示本次输入模式的
所属类别。
获胜节点输出=1，其余节点输出为 0。R 层各模式类节点的典型向量。
R层
……
网
络
系 统
t1j tij tnj
结 构
c1
ci
cn
…
…
G1
x1
xI
xn
(1)C 层结构
该层有n个节点，每个节点接受来自
3个方面的信号：
来自外界的输入信号xi； 来自R 层获胜神经元的外星向量的返 回信号Tj； 来自G1的控制信号。
C 层节点的输出ci是根据2/3的“多 数表决”原则产生的，即输出值ci与xi 、tij 、G1 3个信号中的多数信号值相同 。
4.5.1.2 网络运行原理
(3)搜索阶段
网络发出Reset 重置信号后即进入搜索阶段，重置信号的作用是使前
面通过竞争获胜的神经元受到抑制，并且在后续过程中受到持续的抑制，
网 直到输入一个新的模式为止。由于R 层中的竞争获胜的神经元被抑制，从
络 运
而再度出现R0=0，G1=1，因此网络又重新回到起始的匹配状态。