模式识别与人工智能（基于MATLAB）

2．CPN的学习及工作规则 假定输入层有N个神经元，p个连续值的输入模式为[插图]），竞争层有Q个神经元，对应的二值输出向量为[插图]，输出层有M个神经元，其连续值的输出向量为[插图]，目标输出向量为[插图]）。其中，k=1，2，…，p。 由输入层至竞争层的连接权向量为Wj=（ωj1，ωj2，…，ωjN），j=1，2，…，Q；由竞争层到输出层的连接权向量为Vl=（vl1，vl2，…，vlQ），l=1，2，…，M。 （1）初始化。将连接权向量Wj和Vl赋予区间［0，1］内的随机值。将所有的输入模式Ak进行归一化处理：[插图]，其中[插图]，k=1，2，…，p。 （2）将第k个输入模式Ak提供给网络的输入层。 （3）将连接权向量Wj按照下式进行归一化处理：[插图]，其中[插图][插图]，j=1，2，…，Q。 （4）求竞争层中每个神经加权输入和：[插图]，其中i=1，2，…，N。 （5）求连接权向量Wj中与Ak距离最近的向量Wg： [插图]，将神经元g的输出设定为1，其余竞争层神经元的输出设定为0，即[插图]。 （6）将连接权向量Wg按照下式进行修正： [插图] 其中，i=1，2，…，N；-1＜α＜1，为学习率。 （7）将连接权向量Wg重新归一化，归一化算法同上。 （8）按照下式修正竞争层到输出层的连接权向量Vl： [插图] 其中，l=1，2，…，M；i=1，2，…，N；j=1，2，…，Q；β为学习率。由步骤（5）可将上式简化为 [插图] 由此可见，只需要调整竞争层获胜神经元g到输出层神经元的连接权向量Vg即可，其他连接权向量保持不变。 （9）求输出层各神经元的加权输入，并将其作为输出神经元的实际输出值，[插图]，其中l=1，2，…，M。同理可将其简化为[插图]。 （10）返回步骤（2），直到将p个输入模式全部提供给网络。 （11）令t=t+1，将输入模式Ak重新提供给网络学习，直到t=T。其中，T为预先设定的学习总次数，一般取500＜T＜10000。 3．CPN神经网络用于模式分类 三元色数据如表1-1所示。其中，前29组数据已确定类别，后30组数据待确定类别。其CPN神经网络分类MATLAB程序代码如下： [插图]