人工神经网络的许多算法已经在智能信息处理系统中被广泛采用，特别是以下四种算法尤为突出。 这是ART网络、LVQ网络、Kohonen网络和Hopfield网络。 下面具体介绍这四种算法。
1 .自适应谐振理论(ART )网络
自适应谐振理论(ART )网络具有不同的方案。 ART-1网络包含两个输入层和一个输出层。 这两个层完全互连，并且同时沿正向(自下而上)和反馈方向(自上而下)进行。
在ART-1网络运行期间，培训将连续进行，包括以下算法步骤：
(1)对于所有输出神经元，当一个输出神经元的所有警戒值设定为1时，由于没有指定表示模式类型，因此称为独立神经元。
)2)给出新的输入模式x。
)3)允许所有输出神经元参与激发竞争。
)4)在竞争神经元中找到获胜的输出神经元。 也就是说，当开始训练此神经元的xw值最大时，或者没有更好的输出神经元存在时，获胜神经元可能是独立的神经元。
)5)检查该输入模式x是否与获胜神经元的警戒向量v足够相似。
(6) rp，即有共振时，转移到步骤(7)； 否则，获胜神经元暂时失去竞争力，转入步骤(4)，重复该过程直到不再存在更多有能力的神经元。
2 .学习向量量化(LVQ )网络
学习由输入转换层、隐含层、输出层三层神经元组成的矢量量化(LVQ )网络。 该网络在输入层和抑制层之间完全连接，在抑制层和输出层之间部分连接，每个输出神经元连接到抑制神经元的不同组。
最简单的LVQ培训步骤如下。
(1)预设参考向量的初始权重。
)2)为网络提供训练输入模式。
(3)计算失败模式和各参考向量之间的Euclidean距离。
4 )更新与输入模式最接近的参照向量(即胜利抑制神经元的参照向量)的权重。 如果获胜抑制神经元属于类似输入模式的类且连接到输出神经元的缓冲区，则参考向量应该接近输入模式。 否则，参考向量将远离失败模式。
(5)步骤(2)转移到步骤(2)，用某个新的训练输入模式重复本过程，直到所有的训练模式都被正确分类，或者满足某个结束标准。
3.Kohonen网络
Kohonen网络或自组织特征映射网络，由用于接受输入模式的输入缓冲层和输出层两层构成，输出层的神经元通常以正规的2维排列，各输出神经元连接所有的输入神经元连接权重形成连接到已知输出神经元的参考向量的分量。
Kohonen网络的培训包括以下步骤：
(1)对所有输出神经元的参考向量预设小随机初始值。
)2)为网络提供训练输入模式。
)3)确定胜利的输出神经元，即参考向量与输入模式最接近的神经元。 参考向量和输入向量之间的Euclidean距离通常用作距离测量。
)4)更新获胜神经元的参考向量及其邻居参考向量。 这些参考向量接近输入向量。 对于胜利参考向量，其调整最大，而对于较远的神经元，减小调整神经元附近的大小随着训练的进行而相对变小，直到训练结束为止，胜利神经元的参考向量
4.Hopfield网络
Hopfield网络是典型的递归网络，通常只接受二进制输入(0或1 )和双极输入(1或-1)。 它包含单个神经元，每个神经元与所有其他神经元连接，形成递归结构。
本文标题：人工神经网络算法知识点总结
本文地址：3358 www.CPP cns.com/jiao Ben/python/261995.html