论文部分内容阅读
在一个数据集合中选择1个最大值(或最小值)WTA网络，又称“胜者为王”网络，是自组织竞争人工神经网络的基本组成单元，也是竞争学习的关键部件。 本文提出了一种可以高速实现的K-Winers-Take-All网络模型(HS-K-WTA)，该网络模型可以在一个数据集合中选择K个最大值(或最小值)。本文在数据集为平均分布的假设下对算法的复杂性进行了详尽的理论分析。证明算法的收敛速度比Winstron算法要快得多。 基于Winstron和HS-K-WTA的思路，本文进一步提出了速度更快且算法的复杂性与HS-K-WTA相当的HS-K-WTA-2网络模型。同样分析了数据序列在平均分布下的算法复杂性。证明了HS-K-WTA-2算法的收敛速度要比HS-K-WTA及Winstron算法快得多。 论文证明了HS-K-WTA及HS-K-WTA-2的有关性质。对HS-K-WTA及HS-K-WTA-2的算法分析结果进行了详尽的讨论。并用平均分布、标准正态分布、负指数分布(λ=10，1，0.1)、标准gamma分布和泊松分布(λ=5，10，100)的随机数数集，在不同N和K(1～20)的情况下，对HS-K-WTA和HS-K-WTA-2算法进行仿真，对仿真结果在不同分布的条件下分别与Winstron算法进行了比较，均可以验证其收敛速度明显优于Winstron算法。 论文还提出了HS-K-WTA及HS-K-WTA-2阵列结构的硬件实现。该硬件模型具有结构简单，易于实现等优点。HS-K-WTA及HS-K-WTA-2阵列结构的硬件实现复杂性在平均分布假设下与相应算法实现的复杂性相同。HS-K-WTA及HS-K-WTA-2的硬件实现比Winstron和K-Winners-Take-All的硬件实现要快得多。HS-K-WTA-2的硬件实现比HS-K-WTA稍复杂。但HS-K-WTA-2的速度要比HS-K-WTA快一倍。用HS-K-WTA模型实现排序算法比传统快速算法更快。