[发明专利]基于深度学习的自组织神经网络拓扑保持的增强方法

权利要求书

1.一种基于深度学习的自组织神经网络拓扑保持的增强方法，其特征在于，包括如下步骤：

(1)设置自组织神经网络的网络结构和参数，同时对自组织神经网络的输入层数据进行归一化：

(1a)设置自组织神经网络的网络结构为1-N，其中，1表示输入层个数，N表示竞争层个数，N≥2；

(1b)设置自组织神经网络每一个竞争层的神经元个数为m，m≥2，输入层的神经元个数为d，d≥2；

(1c)对自组织神经网络的输入层数据进行归一化，得到归一化后的样本向量并将提交至各输入层神经元；

(2)设置竞争层个数N的计数器为q，每一个竞争层的神经元个数m的计数器为j，输入层的神经元个数d的计数器为i，并初始化q＝1，j＝1，i＝1；

(3)对自组织神经网络竞争层神经元的权向量逐层进行粗调，得到粗调后的竞争层权向量实现步骤为：

(3a)将各输入层神经元包含的归一化后的样本向量作为第一个竞争层的输入数据；

(3b)设置自组织神经网络粗调迭代计数器为t，总迭代次数为T，并初始化t＝1；

(3c)对自组织神经网络的第q个竞争层神经元进行权向量初始化：

给第q个竞争层神经元的输入数据到第q个竞争层神经元结点的权向量赋予随机的小数，得到第q个竞争层神经元的输入数据和第q个竞争层神经元结点之间的权向量其中随机的小数取值范围是0到1；

(3d)对权向量与第q个竞争层神经元的输入数据进行相似度计算，得到距离向量d_j，并选择d_j中的最小距离对应的神经元作为获胜神经元j^*；

(3e)利用获胜神经元j^*，对权向量进行更新，得到更新后的权向量

(3f)令t＝t+1，并判断粗调迭代计数器t是否超出迭代次数T，若是，令q＝q+1，执行步骤(3g)，否则，执行步骤(3d)；

(3g)判断竞争层个数计数器q的值是否超出竞争层个数N，若是，得到竞争层权向量执行步骤(4)，否则，将更新后的权向量作为q层的输入数据，执行步骤(3c)；

(4)利用竞争层权向量对自组织神经网络竞争层神经元的竞争层权向量进行精调，得到精调后的竞争层权向量实现步骤为：

(4a)设置自组织神经网络精调迭代计数器为t₁，总迭代次数为T₁，并初始化t₁＝1；

(4b)初始化竞争层个数计数器q为1；

(4c)对权向量与第q个竞争层神经元的每个输入数据进行相似度计算，得到距离向量p_j，并选择p_j中的最小距离对应的输入层神经元作为获胜神经元j^*；

(4d)利用获胜神经元j^*，对权向量进行更新，得到更新后的权向量

(4e)令q＝q+1，并判断竞争层个数计数器q的值是否超出竞争层个数N，若是，t₁＝t₁+1，执行步骤(4f)，否则，执行步骤(4c)；

(4f)判断粗调迭代计数器t₁是否超出迭代次数T₁，若是，得到竞争层权向量执行步骤(5)，否则，将更新后的权向量作为第t₁次迭代的输入数据，执行步骤(4b)；

(5)对竞争层权向量进行度量，得到拓扑保持的增强结果。

2.根据权利要求1中所述的基于深度学习的自组织神经网络拓扑保持的增强方法，其特征在于，步骤(3d)中所述的距离向量d_j和最小距离其表达式分别为：

其中，是第q个竞争层的第i个输入数据。

3.根据权利要求1中所述的基于深度学习的自组织神经网络拓扑保持的增强方法，其特征在于，步骤(3e)中所述的更新后的权向量其表达式为：

其中，η(t)为学习率函数，N(t,j^*)为优胜邻域函数，表达式分别如下：

其中，A,β和B为常数，d(j,j^*)为竞争层神经元j与获胜神经元j^*之间的欧式距离，sigma₀和sigma₁都为常数。