[发明专利]一种自组织协同神经网络模型学习及构建方法

说明书

本发明公开了一种自组织协同神经网络模型学习及构建方法，学习方法包括：数据预处理；网络初始化；基于SOM网络的原型模式自学习。构建方法包括：伴随模式计算；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。本发明的优点是：改进了SNN网络模型，通过原型模式及其伴随模式还有序参量的重定义，克服了SNN结构单一、扩展性较差的问题。在此基础上，通过引入Kohonen网络层，与SNN的序参量层结合，基于序参量原型模式与输入样本相似程度的实际意义，解决了SNN工作过程中全局调控困难的问题。

技术领域

本发明涉及人工智能与模式识别技术领域，特别涉及一种基于协同神经网络(Synergetic Neural Network，SNN)的自组织协同神经网络(Self-organized SNN，SoSNN)模型学习及构建方法。

背景技术

1973年德国物理学家Haken首次提出了协同学(Synergetics)理论，之后被广泛应用于物理学、化学、生物学、神经科学、心理学和社会学等各个领域。作为系统科学的重要分支理论，协同学主要研究远离平衡态的开放系统如何通过内部协同作用，自发地出现时间、空间和功能上的有序结构。类似地，大脑中各区域的协同也是大脑解决复杂问题的主要模式，与传统ANN存在本质差异，传统ANN体现了层级结构，但并未实现分工、竞争与协作，不能灵活地应对多变的任务。用于模式识别领域的协同神经网络理论(Synergetic NeuralNetwork，SNN)在上世纪90年代提出，SNN利用支配原理和势函数机制构造出一系列互相关联的子系统，在运作过程中互相协同以生成解决问题的最优方案。但由于SNN理论的发展也受限于相关领域研究的进展(如脑工作原理、认知神经科学、心理学等)，故相关研究相对较少。

目前，SNN在2个方面存在亟待解决的问题：

(1)SNN结构单一、扩展性较差的问题

目前的协同神经网络结构固定且较为简单，同类别原型模式的引入会增大识别错误率，且对新类别支持性较差，难以进一步提升网络的性能。

(2)SNN缺少原型模式学习方法的问题

SNN没有有效的原型模式学习方法，原型模式对于该类样本不具有代表性，导致识别率过低，无法发挥SNN优势。

发明内容

本发明针对现有技术的缺陷，提供了一种自组织协同神经网络模型学习及构建方法，解决了现有技术中存在的缺陷。

为了实现以上发明目的，本发明采取的技术方案如下：

一种自组织协同神经网络模型学习方法，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。