如发现有乱码，请点击下面链接浏览原文
正文摘录:

林金山等：神经网塑塑壁堡鲤墅墅娄墓逵盟窒构。单元的组织就形成了一个特征图。2.2自组织特征映射网络的学习及工作规则设网络的输入模式为，Pt一(硝，P：，…，碥)，k。l，2，…，q。竞争层神经元矢量为A，一(aj，aj2，…，n一)，J一1，2，…，m。其中，P。为连续值，A，为数字量。竞争神经元J与输入层神经元之间的连接权矢量为Wj一(哪-，哪z，…，毗N)，i一1，2，…，N；j一1，2，…，M。自组织映射网络的学习及工作规则为：(1)初始化，将网络的连接权{训d)赋予[O，1]区间内的随机值，i一1，2，…，N；j一1，2，…，M；确定学习率叩(￡)，初始值，7(O)(O＜叩(O)＜1)；确定邻域N。(￡)的初始值N。(0)。邻域N。(￡)是指以步骤(4)确定的获胜神经元g为中心，且包含若干神经元的区域范围。这个区域一般是均匀对称的，N。(￡)的值表示在第t次学习过程中领域所包含的神经元数；确定总的学习次数T。(2)在任q个学习模式中的一个模式P。提供给网络的输入层，并进行归一化处理。P。(P：，P：，…，P：)F可及硝)。+(户；)。+…+(菇)。]“。(3)对连接权矢量w。一(wi。，玛：，…，蛳)经行归一化处理，计算矿与一Pk之间的欧式距离：LWjl，W口'…，u’科J良训，，)。+(码。)。+…+(哪。)。y。d，一r∑(万一瓦)。r，j一1，2，…，M(4)找出最小距离d。，确定获胜神经元g：d。一minLdjJ，J一1，2，…，M(5)进行连接权的调整，对竞争层邻域N。(￡)内所有神经元与输入层神经元之间的连接进行修正：研可一面酉+'7(￡)·[万一面丽]J∈N。(f)，J一1，2，…，M(0＜7(￡)＜1)(6)选取另一个学习模式提供给网络的输入层，返回步骤(3)，直至q个学习模式全部提供给网络。(7)更新学习率刁(￡)及邻域N。(f)：'7(f)一，7(o)(1一幸)其中叩(O)为初始学习率；t为学习次数；T为总的学习次数。N。㈤一INTIN舯)(1一手)]N。(o)为N。(f)的初始值。(8)令t—t+1，返回步骤(2)，直至t—T为止。自组织特征映射网络的自组织学习过程也可以描述为：对于每一个网络的输入，只调整一部分权值，使权向量更接近或更偏离输入矢量，这一调整过程，就是竞争学习。随着不断学习，所有权向量都在输入矢量空间相互分离，形成了各自代表输入空间的一类模式，这就是自组织映射网络的特征自动识别的聚类功能。2.3自组织特征映射网络的仿真实验通过对已有聚类方法的分析表明，目前聚类方法主要有5类方法：划分法、层次法、基于密度的方法、基于网格的方法及基于模型的方法。同时也表明，各种方法在处理数据量的伸缩性、发现任意形状的簇、抗噪能力等方面各有特点，因此在实际工作中，采用何种聚类方法来提取数据库中的信息和知识要视实际情况而定。使用人工合成的数据分别对划分法的K—me&ns，基于密度的DBSCAN和基于模型的自组织特征映射网络算法进行仿真比较‘。’…。图1输入矢量在算法中，输入样本为有80个元素的二值矢量.p，在图1中用“+”表示。在k—means实验中，聚类个数为8，如图2所示。图2k—means聚类结果当聚类个数大于或小于8时聚类结果较差，可见k—means算法中聚类个数的确定直接影响聚类结果。同时计算时间与聚类对象个数n，距聚类个数k，循环次数t有关，即其计算复杂度为0(碰t)。在DBSCAN实验中，MinPts=5，e一0.08，聚类结果是聚类个数为7。在DBSCAN算法中，此算法对用户所要