自组织神经网络算法的原理及其应用

【#第一文档网# 导语】以下是®第一文档网的小编为您整理的《自组织神经网络算法的原理及其应用 》，欢迎阅读！

自组织神经网络算法的原理及其应用

作者：管峰 李永生岳森张敏

来源：《科技创新导报》 2012年第6期



管峰1 李永生2 岳森2 张敏3

(1.中国石油大学(北京)机械与储运工程学院 北京 102200; 2.中国石化中原油田普光分公司天然气净化厂 四川达州 636156;3.中国石化中原油田普光分公司 四川达州 636156)

摘 要:本文介绍了自组织神经网络算法(以下简称SOM)的原理,并对其应用进行了阐述,指出了SOM算法的应用领域和不足之处。

关键词:自组织神经网络(SOM) 原理 应用 不足

中图分类号:TP183 文献标识码:A 文章编号:1674-098X(2012)02(c)-0024-01

在生物学中,自组织现象是指人脑在许多区域是有组织的,不同区域的作用各不相同,不同的感官输入被传递给不同位置的脑细胞群,这种神经元所具有的特性并不是完全来自生物遗传,而是在很大程度上依赖于后天的学习过程。自组织映射的主要目的就是将任意维数的输入信号模式转变为一维或二维的离散映射,并且以拓扑有序的方式自适应实现这个变换[1]。本文主要介绍SOM算法的原理及应用,最后指出其不足之处。

1 基本原理

基于生物神经元的这一特性,芬兰人Kohonen于1981年提出SOM,即Self-Organizing

Mapping(自组织映射网络),或称为Self-Organizing Feature Mapping (自组织特征映射网络),它是一种无指导训练的神经网络,自组织的过程实际上就是一种无指导的学习它通过自身训练,自动对输入模式进行聚类。由于它的强大功能,多年来,网络在数据分类、知识获取、过程监控、故障识别等领域中得到了广泛应用[2]。

2 SOM算法实例应用

建立自组织神经网络(SOM)模型,对模拟产生的数据样本进行训练,并求解权向量;训练到100次时点击stop training,得到图1。

点击SOM Neighbor Distances得到训练100次邻域距离,如图2。

3 SOM应用领域及效果

3.1 SOM应用领域

SOM算法以其所具有的拓扑结构保持、概率分布保持、无导师学习及可视化等特性吸引了广泛的注意,各种关于SOM算法应用研究的成果不断涌现,现在被广泛应用于语音识别、图像处理、分类聚类、组合优化、数据分析、模式识别、信号处理、数据挖掘、数据分类、知识获取、过程监控、故障识别(包括客机零部件故障诊断,电机转子故障诊断等等)和预测等众多信息处理领域,总之,SOM算法的应用十分广泛,有着较好的发展前景。

3.2 SOM应用效果




(1)神经网络(SOM)具有强大的非线性映射能力及自学习能力。(2)首先,网络找出获胜的神经元,然后每一次学习过程,都采用SOFM的学习函数learnsom,使获胜的神经元以及与之邻近的神经元的权向量向输入向量靠拢,聚集在一起。(3)SOM类似于大脑的信息处理过程。它能把任意维的输入信号变换到一维或二维的离散网格上,并保持一定的拓扑有序性。(4)SOM通过对输入向量的反复学习,其权向量的空间分布能反映输入向量的统

计特征。训练结束后,状态相同或相近的输入向量在竞争层网络上所处位置相邻近,因此,该方法可以正确显示SOM的聚类训练结果。







4 SOM不足之处

传统SOM学习算法的效率往往取决于学习率、邻域半大小的选择以及连接

权值的初始值等,选择不当则不能达到快速学习的目的,甚至导致学习的失败。因此,应该从改进缺陷来提高网络的性能[4]。

SOM学习算法的局限性总结起来主要有下面几个方面。

(1)SOM基本算法在学习样本较少时,连接权值的训练的快慢由竞争层聚类中心对应的输入样本次序直接决定,所以样本的输入次序决定学习效率。(2)SOM网络连接权值的初始值影响网络学习的正确性,某些初始状态可能会导致网络的效率急速下降。但是目前尚无确定连接权值的理论方法,因此初始连接权值应当根据实际应用结合专家经验来选择。(3)SOM算法中学习率的调整方式直接影响网络的收敛速度和聚类精度。当学习率以线性变化时,虽然聚类效果较好,但是收敛速度较慢;当以指数形式变化时,聚类效果较好,收敛速度相应也快。(4)合理选择邻域函数对网络权值训练有直接影响,但是没有任何有力的理论支持合理选择。(5)网络结构是固定的,不能动态改变神经元个数,只能是固定的数,无法得到自由的分类;(6)网络训练时,有些神经元始终不能获胜,成为“死神经元”;(7)在SOM网络在没有经过完整的重新学习之前,不能加入新的类别;

参考文献

[1] 余健,郭平.自组织映射(SOM)聚类算法的研究[J].现代计算机,2007,255(3):7～8.

[2] 张春炉,沈建京.基于SOM算法的文本聚类实现[J].计算机与现代化,2010,173(1):29～30.


[3] 李戈,邵峰晶,朱本浩.基于神经网络聚类的研究[J].青岛大学学报,2001,16(4):22～23.

[4] 郑思平.一种改进的动态SOM算法及其在聚类中的运用[D].华南理工大学.理学院,2010:45～48.

本文来源：https://www.dy1993.cn/iZM4.html