【文件属性】：
文件名称：更新学习速率-android将允许纯c:c++开发应用
文件大小：8.23MB
文件格式：PDF
更新时间：2021-06-09 21:17:56
人工神经网络
（５）更新学习速率
η（t）＝ η（０） １ －
t
tm （４ ．１８）
（６）当 t＜ tm 时 ，k ＝ k ＋ １ ，转到步骤（２）输入下一个样本 ，重复各步骤直到 t＝ tm 。
在上述训练过程中 ，须保证 η（t）为单调下降函数 。此外 ，寻找获胜神经元时直接用最
小欧式距离进行判断 ，因此不需要对权值向量和输入向量进行归一化处理 。
LVQ 网络是 SOFM 网络的一种有监督形式的扩展 ，两者有效的结合可更好地发挥
竞争学习和有监督学习的优点 。
４ ．４ 对偶传播神经网络
１９８７年 ，美国学者 Robert Hecht唱Nielsen 提出了对偶传播神经网络模型（Counter唱
Propagation Network ，CPN） ，CPN 最早是用来实现样本选择匹配系统的 。 CPN 网能存
储二进制或模拟值的模式对 ，因此这种网络模型也可用于联想存储 、模式分类 、函数逼近 、
统计分析和数据压缩等用途 。
4 ．4 ．1 网络结构与运行原理
图 ４ ．２２给出了对偶传播网络的标准三层结构 ，各层之间的神经元全互连连接 。从拓扑
结构看 ，CPN网与三层 BP网没有什么区别 ，但实际上它是由自组织网和 Grossberg的外星
网组合而成的 。其中隐层为竞争层 ，该层的竞争神经元采用无导师的竞争学习规则进行学
习 ，输出层为 Grossberg层 ，它与隐含层全互连 ，采用有导师的 Widrow唱Hoff 规则或 Gross唱
berg规则进行学习 。
网络各层的数学描述如下 ：设输入向量用 X表示
X ＝ （x１ ，x２ ，⋯ ，xn ）T
竞争结束后竞争层的输出用 Y表示
Y ＝ （y１ ，y２ ，⋯ ，ym ）T ，yi ∈ ｛０ ，１｝ ，i ＝ １ ，２ ，⋯ ，m
网络的输出用 O表示
O＝ （o１ ，o２ ，⋯ ，ol ）T
网络的期望输出用 d表示
d＝ （d１ ，d２ ，⋯ ，dl ）T
５０１