自组织特征映射(Self-Organizing Feature Map)网络介绍:
由输入层,输出层神经元节点构成的神经网络(由输入层,隐层神经元节点构成的神经网络)
无监督学习
学习准则是胜者为王学习准则,加上合作
SOM网络中权重学习的是模式,是输入的样本的属性数据
竞争学习规则——Winner-Take-All
网络的输出神经元之间相互竞争以求被激活,结果在每一时刻只有一个输出神经元被激活。这个被激活的神经元称为竞争获胜神经元,而其它神经元的状态被抑制,故称为Winner Take All。
寻找获胜神经元
首先,对网络当前输入模式向量X和竞争层中各神经元对应的权重向量Wj(对应j神经元)全部进行归一化,使得X和Wj模为1;当网络得到一个输入模式向量X时,竞争层的所有神经元对应的权重向量均与其进行相似性比较,并将最相似的权重向量判为竞争获胜神经元。归一化后,相似度最大就是内积最大。
自组织神经网络介绍:自组织特征映射SOM(Self-organizing feature Map),第一部分_weixin_30341735的博客-CSDN博客
SOM可以用于聚类,特征降维,属于无监督学习,提取数据内在规律特点
SOM算法介绍:
1.初始化权向量
2.给定一个样本X1,通过Wj转置乘以X1得到第j个神经元的净输入,选取净输入最大(在W和X都归一化的前提下,等价于Wj与X1的欧氏距离最小,即相似性最高)的神经元作为胜者,胜者为王策略表明对于一个样本只调整胜利的神经元的权重,使其权重更加接近X1的属性,加上合作的机制,使胜利的神经元的周围神经元可以得到权值学习,不过学习率较胜者神经元有所下降,每次周围的范围有所降低。
3.判断学习率和上面说的邻域范围是否达到误差范围内,最大迭代次数是否到达,如果有,退出训练,如果没有,返回步骤2继续。
胜者为王保证对于输入的一个样本,有一个神经元最接近该样本,合作保证神经元之间的相邻,转化到相应的神经元逼近的某个输入样本模式之间的相似,相邻的神经元也是神经元,而神经元可以逼近表示特定的输入样本模式,相邻的神经元学习的样本是相近的(胜者神经元周围的神经元都有一定的机会去调整权重,学习的模式相近),那么相邻的神经元表示的样本的模式是类似的,很相近的,可以视为模式最接近(合作是按照高斯核模式去给相邻神经元学习率学习的)。
解决TSP问题,对于给定的样本,走完所有的样本且只走一次,目标是最短路线。利用贪心思想,如果有这样一个环,环上每点表示一个样本,每个样本就是每个城市,如果环上相邻的两点代表的城市之间相距的距离是最近的,那么这个环可以近似看作最短路线。根据上面说明,SOM网络的隐层神经元可以近似为该环,于是可以利用SOM进行TSP问题的求解。由于是近似的,需要多次求结果,得到最佳最短路线路径,有时得到的最短路径可能和实际最短路径相差很多,这很正常。
(2条消息) 自组织映射 (SOM) 解决旅行商问题 (TSP)_breeze_blows的博客-CSDN博客_som算法的伪代码
如何用自组织映射 (SOM) 解决旅行商问题 (TSP) - 知乎 ()
Using Self-Organizing Maps to solve the Traveling Salesman Problem | Diego Vicente
如果觉得《自组织特征映射(SOFM或SOM)网络解决旅行商问题(TSP)》对你有帮助,请点赞、收藏,并留下你的观点哦!