互聯(lián)網(wǎng)中人工神經(jīng)網(wǎng)絡算法有哪些

這篇文章主要介紹了互聯(lián)網(wǎng)中人工神經(jīng)網(wǎng)絡算法有哪些，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

1．自適應諧振理論（ART）網(wǎng)絡

自適應諧振理論（ART）網(wǎng)絡具有不同的方案。一個ART-1網(wǎng)絡含有兩層一個輸入層和一個輸出層。這兩層完全互連，該連接沿著正向（自底向上）和反饋（自頂向下）兩個方向進行。

當ART-1網(wǎng)絡在工作時，其訓練是連續(xù)進行的，且包括下列算法步驟：

（1）對于所有輸出神經(jīng)元，如果一個輸出神經(jīng)元的全部警戒權值均置為1，則稱為獨立神經(jīng)元，因為它不被指定表示任何模式類型。

（2）給出一個新的輸入模式x。

（3）使所有的輸出神經(jīng)元能夠參加激發(fā)競爭。

（4）從競爭神經(jīng)元中找到獲勝的輸出神經(jīng)元，即這個神經(jīng)元的x·W值為最大；在開始訓練時或不存在更好的輸出神經(jīng)元時，優(yōu)勝神經(jīng)元可能是個獨立神經(jīng)元。

（5）檢查該輸入模式x是否與獲勝神經(jīng)元的警戒矢量V足夠相似。

（6）如果r≥p，即存在諧振，則轉向步驟（7）；否則，使獲勝神經(jīng)元暫時無力進一步競爭，并轉向步驟（4），重復這一過程直至不存在更多的有能力的神經(jīng)元為止。

2．學習矢量量化（LVQ）網(wǎng)絡

學習矢量量化（LVQ）網(wǎng)絡，它由三層神經(jīng)元組成，即輸入轉換層、隱含層和輸出層。該網(wǎng)絡在輸入層與隱含層之間為完全連接，而在隱含層與輸出層之間為部分連接，每個輸出神經(jīng)元與隱含神經(jīng)元的不同組相連接。

最簡單的LVQ訓練步驟如下：

（1）預置參考矢量初始權值。

（2）供給網(wǎng)絡一個訓練輸入模式。

（3）計算輸人模式與每個參考矢量間的Euclidean距離。

（4）更新最接近輸入模式的參考矢量（即獲勝隱含神經(jīng)元的參考矢量）的權值。如果獲勝隱含神經(jīng)元以輸入模式一樣的類屬于連接至輸出神經(jīng)元的緩沖器，那么參考矢量應更接近輸入模式。否則，參考矢量就離開輸人模式。

（5）轉至步驟（2），以某個新的訓練輸入模式重復本過程，直至全部訓練模式被正確地分類或者滿足某個終止準則為止。

3．Kohonen網(wǎng)絡

Kohonen網(wǎng)絡或自組織特征映射網(wǎng)絡含有兩層，一個輸入緩沖層用于接收輸入模式，另一個為輸出層，輸出層的神經(jīng)元一般按正則二維陣列排列，每個輸出神經(jīng)元連接至所有輸入神經(jīng)元。連接權值形成與已知輸出神經(jīng)元相連的參考矢量的分量。

訓練一個Kohonen網(wǎng)絡包含下列步驟：

（1）對所有輸出神經(jīng)元的參考矢量預置小的隨機初值。

（2）供給網(wǎng)絡一個訓練輸入模式。

（3）確定獲勝的輸出神經(jīng)元，即參考矢量最接近輸入模式的神經(jīng)元。參考矢量與輸入矢量間的Euclidean距離通常被用作距離測量。

（4）更新獲勝神經(jīng)元的參考矢量及其近鄰參考矢量。這些參考矢量（被引至）更接近輸入矢量。對于獲勝參考矢量，其調(diào)整是最大的，而對于離得更遠的神經(jīng)元，減少調(diào)整個神經(jīng)元鄰域的大小隨著訓練的進行而相對減小，到訓練結束，只有獲勝神經(jīng)元的參考矢量被調(diào)整。

4．Hopfield網(wǎng)絡

Hopfield網(wǎng)絡是一種典型的遞歸網(wǎng)絡，這種網(wǎng)絡通常只接受二進制輸入（0或1）以及雙極輸入（+1或-1）。它含有一個單層神經(jīng)元，每個神經(jīng)元與所有其他神經(jīng)元連接，形成遞歸結構。

感謝你能夠認真閱讀完這篇文章，希望小編分享的“互聯(lián)網(wǎng)中人工神經(jīng)網(wǎng)絡算法有哪些”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業(yè)資訊頻道，更多相關知識等著你來學習!