[发明专利]一种自组织协同神经网络模型学习及构建方法在审
| 申请号： | 201910875365.1 | 申请日： | 2019-09-17 |
| 公开（公告）号： | CN110580521A | 公开（公告）日： | 2019-12-17 |
| 发明（设计）人： | 李海峰;王子豪;马琳;丰上;徐聪;李洪伟;薄洪健;陈婧;孙聪珊 | 申请（专利权）人： | 哈尔滨工业大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 51241 成都方圆聿联专利代理事务所(普通合伙) | 代理人： | 李鹏 |
| 地址： | 150001 黑龙*** | 国省代码： | 黑龙;23 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 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。 | ||
| 搜索关键词： | 序参量 原型模式 模式矩阵 构建 协同神经网络 矩阵 数据预处理 网络初始化 模式计算 模型学习 输入样本 网络模型 相似程度 扩展性 层结合 输出层 输入层 网络层 重定义 自学习 自组织 网络 调控 引入 全局 改进 学习 | ||
【主权项】：
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：/n步骤1，数据预处理，包括以下子步骤：/n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/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于哈尔滨工业大学，未经哈尔滨工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910875365.1/，转载请声明来源钻瓜专利网。
- 上一篇：基于超网络的模型结构采样、装置以及电子设备
- 下一篇：卷积计算方法及相关设备
