GPS差分协议RTCM电文分析与SOFM网应用探索

"结束检查-gps差分协议rtcm电文分析与应用" 本文主要讨论了人工神经网络（Artificial Neural Networks, ANN）中的自我组织特征映射（Self-Organizing Feature Map, SOFM）网络，特别是Kohonen学习算法的应用。在结束检查部分，文章指出SOFM网络的训练不同于传统的反向传播（BP）网络，它不是基于输出误差来判断结束，而是根据学习率η(t)是否衰减至零或预定的小数值。如果未达到结束条件，训练会继续进行。 Kohonen学习算法的程序流程图被提及，并且提供了相关的源代码附录。这个算法确保了SOFM网络的保序映射特性，即输入样本模式在输出层上的映射是有序的，使得具有相似属性的样本在输出平面上的位置接近。为了说明这一点，文章提供了一个实例——动物属性特征映射。 在这个例子中，16种动物根据它们的29维属性向量被映射到一个10x10的输出平面上。前16个分量用于对动物进行编码，后13个分量描述动物的13种属性。通过SOFM网络的训练，最终输出平面呈现出属性相似的动物位置相近的分布，这证实了SOFM网络的映射能力。 此外，资源还提到了一本由韩力群编著的《人工神经网络教程》。这本书详细介绍了人工神经网络的基础理论、设计方法和应用实例，适合控制与信息类专业的研究生和本科生，以及科技工作者阅读。作者结合自己在该领域的教学和研究经验，力求简化数学推导，强化实际应用示例，以便读者更好地理解和应用神经网络。 这个资源涉及的知识点包括： 1. 自我组织特征映射（SOFM）网络的基本原理和Kohonen学习算法。 2. SOFM网络的结束检查标准，即依赖于学习率η(t)的衰减。 3. 保序映射的概念，以及如何通过SOFM网络实现属性相似样本的有序映射。 4. 人工神经网络（ANN）的教育教材，包括《人工神经网络教程》，强调实践应用和易接受性。 5. 一个具体的SOFM应用案例，展示了如何将动物的属性特征映射到二维平面上。 这些知识点对于理解人工神经网络，特别是SOFM网络的训练过程和应用有着重要的参考价值。