人工神经网络/竞争学习

竞争学习

竞争学习是一种基于以下思想的规则：在给定层中给定迭代中，一次只有一个神经元会激活。权重会进行调整，以便在某一层（例如输出层）中只有一个神经元激活。竞争学习对于将输入模式分类到离散的输出类别集中非常有用。每次迭代的“获胜者”元素i^* 是总加权输入最大的元素。使用这种表示法，一个竞争学习规则的例子可以用数学方式定义为

$w_{ij}[n+1]=w_{ij}[n]+\Delta w_{ij}[n]$

$\Delta w_{ij}=\left\{{\begin{matrix}\eta (x_{i}-w_{ij})&{\mbox{ if }}i=j\\0&{\mbox{ otherwise}}\end{matrix}}\right.$

线性向量量化

在学习向量量化 (LVQ) 机器中，输入值会与每个神经元的权重向量进行比较。与输入最匹配的神经元被称为系统的最佳匹配单元 (BMU)。BMU 的权重向量以及附近神经元的权重向量会通过一定的步长调整，使其更接近输入向量。神经元会被训练成为独立的特征检测器，并且可以将特征检测器的组合用于识别来自输入空间的大类特征。LVQ 算法是更高级学习算法（例如自组织映射）的简化前身。LVQ 训练是一种竞争学习规则。