[发明专利]一种自组织协同神经网络模型学习及构建方法

权利要求书

1.一种自组织协同神经网络模型学习方法，其特征在于，包括以下步骤：

步骤1，数据预处理，包括以下子步骤：

步骤11，输入样本零均值化：对输入样本x完成零均值化处理

其中N为输入样本的维数；

步骤12，输入样本归一化：对输入样本x完成归一化处理

x＝||x||₂

一般采用二范数完成输入样本的归一化；

步骤2，网络初始化，包括以下子步骤：

步骤21，随机生成原型模式权值：由于原型模式的权值未知，一般采取随机数的方式初始化原型模式权值；

步骤22，原型模式权值零均值化：对各个原型模式向量p_i，i＝1，2，...，M完成零均值化处理

其中N为原型模式向量的维数；

步骤23，原型模式权值归一化：对各个原型模式向量p_i，i＝1，2，...，M完成归一化处理

p_i＝||p_i||₂

一般同样采用二范数完成原型模式向量的归一化；

步骤3，基于SOM网络的原型模式自学习，包括以下子步骤：

步骤31，计算胜元位置：计算得出对于某个输入样本x，采用余弦距离判断输入样本与各个原型模式向量p_i，i＝1，2，...，N的距离，取最大值对应的原型模式向量作为胜元

k为与输入样本最为相似的原型模式的标号；

步骤32，原型模式自学习：所有原型模式进行对x的学习：

其中η(t)、a(t)为步长，T为最大迭代次数，t为当前迭代次数；

步骤33，终止条件判定：如果网络迭代次数达到T，则终止网络工作；否则重复步骤31和32。

2.一种自组织协同神经网络模型构建方法，其特征在于，SoSNN模型构建：基于原型模式、伴随模式、及序参量的重定义，及中原型模式自学习方法，具体包括以下子步骤：

步骤1.伴随模式计算，包括以下子步骤：

步骤11，对原型模式矩阵进行奇异值分解：将原型模式向量构成矩阵P，对原型模式矩阵进行奇异值分解

P＝U∑V^T

其中U、∑、V^T为奇异值分解得到的三个矩阵；

步骤12，计算伴随模式矩阵：伴随模式矩阵P⁺

P⁺＝V∑⁺U^T

其中∑⁺等于∑矩阵中主对角线元素求倒数形成的矩阵；

步骤2，网络工作，在计算得出伴随模式矩阵后，原型模式矩阵作为连接输入层和序参量层的权值，伴随模式矩阵作为连接序参量层和输出层的权值，网络开始工作。

3.根据权利要求2所述的方法，其特征在于：

所述步骤2的具体子步骤如下：

步骤21，求取序参量：输入待识别样本x，首先求取样本与原型模式向量p_i的内积

ξ_i＝x·p_i，i＝1，2，...，M

得到序参量ξ_i，其中M为序参量个数或原型模式向量个数；

步骤22，序参量更新：序参量ξ_i在势函数V

刻画的收敛方向上完成序参量的更新；其中λ、B、C均为参数；因此，序参量ξ_i的更新公式为：

其中η为迭代步长，一般取

步骤23，计算网络输出：将伴随模式用序参量加权并叠加，

得到网络输出；

步骤24，终止条件判断：若某一个序参量ξ_i的取值为1，其余序参量取值为0，此时判断网络收敛，网络停止工作，分类结果为第i类；否则，将网络输出作为新的输入样本，重复步骤21到23，直到网络收敛。