偶极子实验的MATLAB实现.pdfVIP

第 卷 第 期 河 南 科 学 25 3 Vol.25No.3 年 月 2007 6 HENAN SCIENCE Jun.2007 文章编号: ( ) 1004-3918200703-0476-04 偶极子实验的MATLAB实现 1 2 王 峰 , 张俊才 （1.河南财经学院计算中心，郑州 450002； 2.许昌职业技术学院信息工程系，河南许昌 461000） 摘 要:竞争学习采用若干单元的层次结构,以一种“胜利者全取”的方式对系统当前处理的对象进行竞争 偶极 . 子实验是竞争学习系统的一个实例,简单介绍了偶极子实验,对其结果进行了分析,并给出了MATLAB的 实现程序. 关键词:竞争学习;偶极子;MATLAB 中图分类号:TP183 文献标识码:A 竞争学习是人工神经网络中一种重要的学习方式，它模仿人脑的机制工作，可以实现模式分类和联想 记忆等功能，是人工神经网络中一种无监督的学习范例[1].Mathwork公司推出的MATLAB软件包本身带有 神经网络工具箱，可以大大方便权值训练，减少训练程序工作量，有效提高工作效率.偶极子实验是竞争学 习系统的一个实例，本文对偶极子实验进行了分析，并用MATLAB软件进行实现. 1 竞争学习系统 竞争学习人工神经网络的基本思想是网络竞争层各神经元竞争对输入模式的响应机会，最后仅一个神 经元成为竞争的胜者，并对那些与获胜神经元有关的各连接权朝 着更有利于它竞争的方向调整，这一获胜神经元就表示对输入模 [2] 式的分类 .竞争学习系统的结构如图1所示，它由有连接的分层 部件集合组成.每个圆圈代表一个单元，在一个簇中获胜的单元 成为活跃的（以实心圆表示），其他的单元是不活跃的（以空心圆表 示）.层间是通过刺激（兴奋）由下层连接到上层.一般情况下，一 层中的每个部件接受与该层直接连接的下层每个部件的输出.越 强烈地响应输入刺激的部件就越强烈地抑制簇中的其他元素.在 某个给定的层次中，一个簇的单元彼此竞争，对低一层的输出模式 做出反应.一个层次内的联系是抑制式的，以便在任何簇中只有 一个单元是活跃的.获胜的单元修正它与簇中其他单元连接上的 权值，以便未来能够对与当前对象相似或一样的对象做出较强的 反应. 2 偶极子实验 重叠的一些刺激模式可以表现一个竞争学习机构的本质结构.偶极子是这样一个简单且有规律的例 子. 偶极子的刺激模式中由两个相邻的活动元素和余下的不活动元素组成.一个总数为N的输入部件，可 能存在N（N-1）/2个偶极子.假定刺激模式由一个二维的栅格构成，在这个栅格中，只有相邻的一对可以构 成可能的刺激.一个N×M栅格，可能的刺激为N（M-1）+M（N-l）个.一个4×4的栅格，有24个可能邻近的 偶极子模式.在实验中使用了图2所示的两层网结构，在输出层的单一抑制群中只有部件 1和部件2两个 部件.3个实验结果分别示于图3中，该图所表示的是对两个输出部件的相对权值.该值分配在4×4的 栅格上.权的相对值用填充的圆来表示.用实心圆表示部件 1在这条线上具有最高权，空心圆表示部件2 收稿日期:2006-09-08 作者简介:王 峰（1968-），男，河南新乡人，硕士，高级实验师，研究方向：信息网格，人工神经网络. 2007年6月 王 峰等:偶极子实验的MATLAB实现 -477- 在此线上有最高权.图中左侧栅格表 示权的初始结构，右边的栅格表示终结 结构，连接圆圈的线表示可能的刺激. 当刺激出现时，战胜的部件用连接两个 圆圈不同的线来表示，实线表示部件 1 取胜，虚线表示部件 2取胜.实验结果 表明，权以一个比较模糊的排列向一个 较清楚的排列