自组织竞争神经网络：联想学习规则与内星外星模型

"本文主要介绍了联想学习规则在自组织竞争人工神经网络中的应用，特别是格劳斯贝格提出的内星和外星模型。这两种神经元模型分别用于矢量的识别和产生，模拟了生物神经系统中的学习现象。内星通过硬限制函数实现输入/输出转换，通过调整权值来接近并识别特定的输入矢量。外星则通过联接权矢量输出信号。文章还探讨了内星在面对不同输入矢量时的学习过程，强调了输入矢量的单位归一化处理对于训练的重要性。自组织竞争神经网络因其独特的学习能力和模式分类性能，在模式识别和分类领域有着广泛的应用前景。" 在自组织竞争人工神经网络中，格劳斯贝格提出的内星和外星模型为理解和模拟生物学习提供了理论基础。内星神经元模型，如图8.1所示，设计用于识别矢量，其激活函数通常采用硬限制函数，确保神经元仅响应特定的输入矢量。学习过程通过调整权重向量W使其逐渐逼近输入矢量P，以实现内星对输入矢量的精确识别。学习规则（8.1）显示，权重的改变与输出值成正比，当内星保持高输出状态时，权重能更有效地学习并趋近于输入矢量，从而完成学习目标。 外星模型，如图8.2所示，其功能是产生矢量，通过权矢量输出一组信号A。这一过程反映了神经元对外部输入的响应和信号的生成。内外星的结构和功能特性，使其在网络中扮演了关键角色，特别是在自组织和竞争学习过程中。 自组织是指网络通过自我调整来形成有序结构，这在处理复杂数据和模式分类任务时尤为有用。竞争学习网络中的竞争层，是神经元之间通过相互作用，仅允许一个或少数几个神经元获胜，形成激活状态，这种机制有助于网络区分和分类输入模式。 当多个输入矢量p1和p2同时出现时，内星会根据已学习过的矢量调整其权重。例如，当p1先被学习，网络权重将调整为W=(p1)T。然后输入p2时，内星的加权输入将是这两个矢量的点积。由于输入矢量已归一化，这种点积表示了两个矢量之间的相似度，使得内星可以根据输入的差异性来适应新的学习任务。 自组织竞争人工神经网络通过内星和外星模型展示了强大的学习和适应能力，它们不仅扩展了人工神经网络在模式识别和分类上的应用，也是其他神经网络模型的重要组成部分。通过模拟生物学习机制，这些网络模型为理解和解决实际问题提供了强大的工具。