模式識別與人工智能（基於MATLAB）

2．CPN的學習及工作規則 假定輸入層有N個神經元，p個連續值的輸入模式爲[插圖]），競爭層有Q個神經元，對應的二值輸出向量爲[插圖]，輸出層有M個神經元，其連續值的輸出向量爲[插圖]，目標輸出向量爲[插圖]）。其中，k=1，2，…，p。 由輸入層至競爭層的連接權向量爲Wj=（ωj1，ωj2，…，ωjN），j=1，2，…，Q；由競爭層到輸出層的連接權向量爲Vl=（vl1，vl2，…，vlQ），l=1，2，…，M。 （1）初始化。將連接權向量Wj和Vl賦予區間［0，1］內的隨機值。將所有的輸入模式Ak進行歸一化處理：[插圖]，其中[插圖]，k=1，2，…，p。 （2）將第k個輸入模式Ak提供給網絡的輸入層。 （3）將連接權向量Wj按照下式進行歸一化處理：[插圖]，其中[插圖][插圖]，j=1，2，…，Q。 （4）求競爭層中每個神經加權輸入和：[插圖]，其中i=1，2，…，N。 （5）求連接權向量Wj中與Ak距離最近的向量Wg： [插圖]，將神經元g的輸出設定爲1，其餘競爭層神經元的輸出設定爲0，即[插圖]。 （6）將連接權向量Wg按照下式進行修正： [插圖] 其中，i=1，2，…，N；-1＜α＜1，爲學習率。 （7）將連接權向量Wg重新歸一化，歸一化算法同上。 （8）按照下式修正競爭層到輸出層的連接權向量Vl： [插圖] 其中，l=1，2，…，M；i=1，2，…，N；j=1，2，…，Q；β爲學習率。由步驟（5）可將上式簡化爲 [插圖] 由此可見，只需要調整競爭層獲勝神經元g到輸出層神經元的連接權向量Vg即可，其他連接權向量保持不變。 （9）求輸出層各神經元的加權輸入，並將其作爲輸出神經元的實際輸出值，[插圖]，其中l=1，2，…，M。同理可將其簡化爲[插圖]。 （10）返回步驟（2），直到將p個輸入模式全部提供給網絡。 （11）令t=t+1，將輸入模式Ak重新提供給網絡學習，直到t=T。其中，T爲預先設定的學習總次數，一般取500＜T＜10000。 3．CPN神經網絡用於模式分類 三元色數據如表1-1所示。其中，前29組數據已確定類別，後30組數據待確定類別。其CPN神經網絡分類MATLAB程序代碼如下： [插圖]