论文部分内容阅读
摘要:本文对竞争学习以及自组织竞争神经网络的算法进行分析,通过此算法应用MATLAB神经网络函数完成了自组织特征映射网络的网络学习,取得了好的学习效果。
关键词: 竞争学习;自组织特征映射;MATLAB
自由组织神经网络,即自组织竞争神经网络,采用无导师学习算法,其工作基本思想是让竞争层的各神经元通过竞争与输入模式进行匹配,最后只有一个神经元成为竞争的优胜者,这一获取神经元的输入就代表对输入模式的分类。
常用的自组织竞争神经网络有自适应共振理论网络、自组织特征映射网络、对传网络和协同神经网络。
一、 竞争学习
1.模式分类
在神经网络应用中,当神经网络涉及识别、分类时,会用到输入模式的概念。模式是对某些感兴趣的课题的定量描述或结构描述,模式类是具有某些共同特征的模式的集合。分类是在类别知识等到时信号的指导下,将待识别的输入模式分配到各自的模式类别中。无导师指导的聚类分类方法是将相似的模式样本归一类,而将不相似的分开。神经网络的输入模式用向量表示,比较两个不同模式的相似性可转化为比较两个向量的距离,因而可用模式向量间的距离作为聚类判别依据。传统模式识别中的两种聚类判据是欧式最小距离法和余弦法。
2.侧抑制与竞争
当一个神经细胞兴奋后,会对其周围的神经细胞产生抑制作用。这种现象称为侧抑制现象。这种侧抑制使神经细胞之间呈现出竞争,开始时多个细胞同时兴奋,但兴奋最强的神经细胞对周围神经细胞的抑制作用也是最强的,结果会使它周围的神经细胞兴奋度减弱,从而此神经细胞成为了这次竞争的胜者,其他细胞竞争失败。
3.竞争学习策略
(1)向量归一化
(2)寻找获胜神经元
当网络得到一个输入模式向量时,竞争层的所有神经元对应的内星权向量 (j=1,2,…,m)均与 进行相似性比较,将和 最相似的内星权向量判为竞争获胜神经元,其权向量记为 。测量相似性的方法是对 和 计算欧式距离。
二、 自组织特征映射网络学习算法
Kohonen自组织特征映射算法能够找出输入数据之间的类似度,将相似的输入在网络上就近配置,因此它是可以构成对输入数据有选择地给予反映的网络。
Kohonen自组织特征映射算法步骤:
1. 网络初始化
2. 输入向量的输入
3. 计算映射层的权值向量和输入向量的距离
4. 选择与权值向量的距离最小的神经元
5. 权值的学习
6. 是否达到预先设定的要求
自组织神经网络算法能够进行有效的自适应分类,学习速度和最终权值向量的稳定性之间进行折中。
三、MATLAB在自组织竞争神经网络中的应用
MATLAB中为自组织竞争神经网络提供了大量的函数工具,其中包括网络创建函数,显示函数,变换函数,神经元传递函数,距离函数,学习函数,初始化函数,权值函数,结构函数等。
自组织神经网络在模式识别中有了很大的用处,例如在PCB焊点检测中自组织神经网络也能够进行模式识别。
1.问题的提出
随着电子产品向着微型化的发展,表面贴装技术(SMT)中所使用的印刷线路板(PCB)、导体图形和SMT元器件也越来越细小。由于SMT组件的高密度、快速组装的发展,采用目检和人工光学检测的方法来检测SMT的组装质量已不能满足需要。为了检测PCB焊点的质量,通过对PCB板的图像进行输入,形成输入向量P。
2.网络设计
设计一个二维自组织特征映射网络,其神经元层选择恰当的神经元(个数代表类别),应用举例函数mandist()计算。
3.网络训练
设置训练参数,应用train()函数进行网络训练,训练过程中网络权值开始向输入向量移动。得到输出结果。
4.网络测试
经过训练,网络权值经过排序逐步缩小领域大小,最后竞争层的神经元通过调整每个神经元都代表一个输入区域,邻近神经元权值向量的定位也反映了输入向量的拓扑结构。
通过网络输出的a值决定向量p归属于第几类。通过测这种方法可以对PCB的焊点进行模式分类,完成PCB焊点的检测。
参考文献
[1]李志敏,林越伟,黄俊等,PCB走线检测的预处理算法[J],光学精密工程,2007,15(2):272-276;
[2] 史建卫,无铅焊接工艺中常见缺陷及防止措施[J],电子工艺技术,2008,29(1):53-56;
[3] 卢盛林,张宪民,邝泳聪,基于神经网络的PCB焊点检测方法[J],华南理工大学学报(自然科学版),2008,36(5):135-139;
LU SH L,ZHANG X M,KUANG Y C,Neural network-based inspecting method of PCB solder joint[J].Journal of south China University of Technology (Natural Science Edition), 2008 , 36(5):135-139.(in Chinese);
[4] 吴黎明,崔山领,王立苹等,重复图案晶片自动检测新方法[J],光学 精密工程,2008,16(5):925-930;
WU L M,CUI SH L,WANG L P, et al.. Novel automatic inspection method for repetitive patterned wafer [J].Opt. precision Eng. , 2008 , 16(5):925-930. ( in Chinese)
关键词: 竞争学习;自组织特征映射;MATLAB
自由组织神经网络,即自组织竞争神经网络,采用无导师学习算法,其工作基本思想是让竞争层的各神经元通过竞争与输入模式进行匹配,最后只有一个神经元成为竞争的优胜者,这一获取神经元的输入就代表对输入模式的分类。
常用的自组织竞争神经网络有自适应共振理论网络、自组织特征映射网络、对传网络和协同神经网络。
一、 竞争学习
1.模式分类
在神经网络应用中,当神经网络涉及识别、分类时,会用到输入模式的概念。模式是对某些感兴趣的课题的定量描述或结构描述,模式类是具有某些共同特征的模式的集合。分类是在类别知识等到时信号的指导下,将待识别的输入模式分配到各自的模式类别中。无导师指导的聚类分类方法是将相似的模式样本归一类,而将不相似的分开。神经网络的输入模式用向量表示,比较两个不同模式的相似性可转化为比较两个向量的距离,因而可用模式向量间的距离作为聚类判别依据。传统模式识别中的两种聚类判据是欧式最小距离法和余弦法。
2.侧抑制与竞争
当一个神经细胞兴奋后,会对其周围的神经细胞产生抑制作用。这种现象称为侧抑制现象。这种侧抑制使神经细胞之间呈现出竞争,开始时多个细胞同时兴奋,但兴奋最强的神经细胞对周围神经细胞的抑制作用也是最强的,结果会使它周围的神经细胞兴奋度减弱,从而此神经细胞成为了这次竞争的胜者,其他细胞竞争失败。
3.竞争学习策略
(1)向量归一化
(2)寻找获胜神经元
当网络得到一个输入模式向量时,竞争层的所有神经元对应的内星权向量 (j=1,2,…,m)均与 进行相似性比较,将和 最相似的内星权向量判为竞争获胜神经元,其权向量记为 。测量相似性的方法是对 和 计算欧式距离。
二、 自组织特征映射网络学习算法
Kohonen自组织特征映射算法能够找出输入数据之间的类似度,将相似的输入在网络上就近配置,因此它是可以构成对输入数据有选择地给予反映的网络。
Kohonen自组织特征映射算法步骤:
1. 网络初始化
2. 输入向量的输入
3. 计算映射层的权值向量和输入向量的距离
4. 选择与权值向量的距离最小的神经元
5. 权值的学习
6. 是否达到预先设定的要求
自组织神经网络算法能够进行有效的自适应分类,学习速度和最终权值向量的稳定性之间进行折中。
三、MATLAB在自组织竞争神经网络中的应用
MATLAB中为自组织竞争神经网络提供了大量的函数工具,其中包括网络创建函数,显示函数,变换函数,神经元传递函数,距离函数,学习函数,初始化函数,权值函数,结构函数等。
自组织神经网络在模式识别中有了很大的用处,例如在PCB焊点检测中自组织神经网络也能够进行模式识别。
1.问题的提出
随着电子产品向着微型化的发展,表面贴装技术(SMT)中所使用的印刷线路板(PCB)、导体图形和SMT元器件也越来越细小。由于SMT组件的高密度、快速组装的发展,采用目检和人工光学检测的方法来检测SMT的组装质量已不能满足需要。为了检测PCB焊点的质量,通过对PCB板的图像进行输入,形成输入向量P。
2.网络设计
设计一个二维自组织特征映射网络,其神经元层选择恰当的神经元(个数代表类别),应用举例函数mandist()计算。
3.网络训练
设置训练参数,应用train()函数进行网络训练,训练过程中网络权值开始向输入向量移动。得到输出结果。
4.网络测试
经过训练,网络权值经过排序逐步缩小领域大小,最后竞争层的神经元通过调整每个神经元都代表一个输入区域,邻近神经元权值向量的定位也反映了输入向量的拓扑结构。
通过网络输出的a值决定向量p归属于第几类。通过测这种方法可以对PCB的焊点进行模式分类,完成PCB焊点的检测。
参考文献
[1]李志敏,林越伟,黄俊等,PCB走线检测的预处理算法[J],光学精密工程,2007,15(2):272-276;
[2] 史建卫,无铅焊接工艺中常见缺陷及防止措施[J],电子工艺技术,2008,29(1):53-56;
[3] 卢盛林,张宪民,邝泳聪,基于神经网络的PCB焊点检测方法[J],华南理工大学学报(自然科学版),2008,36(5):135-139;
LU SH L,ZHANG X M,KUANG Y C,Neural network-based inspecting method of PCB solder joint[J].Journal of south China University of Technology (Natural Science Edition), 2008 , 36(5):135-139.(in Chinese);
[4] 吴黎明,崔山领,王立苹等,重复图案晶片自动检测新方法[J],光学 精密工程,2008,16(5):925-930;
WU L M,CUI SH L,WANG L P, et al.. Novel automatic inspection method for repetitive patterned wafer [J].Opt. precision Eng. , 2008 , 16(5):925-930. ( in Chinese)