自组织竞争SOM神经网络：识别大写英文字母

"这篇文档介绍的是关于自组织竞争人工神经网络（SOM网络）在网络字母识别中的应用。网络设计用于识别26个大写字母，输入层有35个神经元，竞争层为8×12的二维结构，每个字母用5×7的布尔矩阵表示。训练过程可以采用两种策略，程序实现中选择了方式2，即逐个模式训练，直到所有模式都能准确匹配。" 在神经网络领域，自组织映射（Self-Organizing Map, SOM）是一种无监督学习算法，它由芬兰科学家Teuvo Kohonen提出，因此也被称为Kohonen网络。SOM网络主要用于数据可视化和降维，其工作原理是通过竞争机制来学习输入数据的分布特征。在这个任务中，SOM网络被用来识别大写字母，其目标是当给定一个表示字母的输入时，网络能够在输出层找到最接近该输入的神经元，从而指出对应的字母。 网络结构包括输入层和竞争层。输入层有35个神经元，这可能对应着用来表示字母特征的35个参数。竞争层是一个8×12的二维网格，这个结构允许网络在二维平面上展示输入数据的拓扑关系。每个神经元在竞争层都有一个权重向量，这些向量会在训练过程中不断调整以适应输入数据。 训练过程有两种策略。第一种方式是整体训练，即将26个字母的所有样本作为整体进行一次训练，然后调整学习率和邻域大小，重复迭代，直到达到预设的终止条件。然而，这种方式在实际程序中可能效果不佳，只能识别出8个字母。因此，选择了第二种方式，即对每个字母的样本分别进行训练，直到竞争层的某个神经元的权重向量与输入向量非常接近，这才转向下一个字母的训练。这种逐个模式训练的方法可以确保每个字母的特征得到充分学习，从而提高识别准确性。 5×7的布尔矩阵用于表示每个字母，这表明每个字母被编码为一个7行5列的二进制图像，这样的编码方式简单且直观，适合神经网络处理。布尔矩阵的每个元素可以是0或1，分别代表图像像素的开或关，这反映了字母的形状特征。 在实际编程实现中，采用方式2进行训练，这种方法虽然需要更多的计算，但可以得到更好的识别效果，确保每个字母的特征都被网络有效地学习和表示。通过不断的迭代和调整，SOM网络的权值会逐渐优化，最终使得每个字母的输入都能在竞争层找到最佳匹配的神经元，从而实现字母识别的功能。