📅  最后修改于: 2020-11-26 08:35:34             🧑  作者: Mango
假设我们有某种任意维度的模式,但是我们需要在一维或二维中使用它们。这样,特征映射的过程对于将宽模式空间转换为典型特征空间将非常有用。现在,出现了一个问题,为什么我们需要自组织特征图?原因是,除了具有将任意维转换为一维或二维的能力之外,它还必须具有保留邻居拓扑的能力。
可以有多种拓扑,但是以下两种拓扑使用最多:
此拓扑在距离2网格中有24个节点,在距离1网格中有16个节点,在距离0网格中有8个节点,这意味着每个矩形网格之间的差是8个节点。中奖单位用#表示。
此拓扑在距离2网格中有18个节点,在距离1网格中有12个节点,在距离0网格中有6个节点,这意味着每个矩形网格之间的差为6个节点。中奖单位用#表示。
KSOM的架构类似于竞争性网络。借助前面讨论的邻域方案,可以在网络的扩展区域进行培训。
步骤1-初始化权重,学习率α和邻域拓扑方案。
步骤2-当停止条件不成立时,继续步骤3-9。
步骤3-对每个输入向量x继续步骤4-6。
步骤4-计算j = 1到m的欧几里德距离的平方
$$ D(j)\:= \:\ displaystyle \ sum \ limits_ {i = 1} ^ n \ displaystyle \ sum \ limits_ {j = 1} ^ m(x_ {i} \ :: \\:w_ {ij })^ 2 $$
步骤5-获得D(j)最小的获胜单位J。
步骤6-通过以下关系式计算获胜单位的新权重-
$$ w_ {ij}(新)\:= \:w_ {ij}(旧)\:+ \:\ alpha [x_ {i} \ ::-\:w_ {ij}(旧)] $$
步骤7-通过以下关系更新学习率α-
$$ \ alpha(t \:+ \:1)\:= \:0.5 \ alpha t $$
步骤8-减小拓扑方案的半径。
步骤9-检查网络的停止条件。