计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2009年
4期
64-66
,共3页
学习矢量量化网络%阈值%死点
學習矢量量化網絡%閾值%死點
학습시량양화망락%역치%사점
竞争型神经网络已经在模式识别、分类等方面得到了广泛的应用,与传统的聚类方法相比具有巨大优势,但是在许多方面还存在不足,需要进一步完善.在Kohonen提出的学习矢量量化网络(Leaming Vector Quantization Network,LVQ)的基础上,引入阈值学习规则,较好地解决了该类网络中遇到"死"点时训练误差偏大的问题,最后通过Madab编程实现.
競爭型神經網絡已經在模式識彆、分類等方麵得到瞭廣汎的應用,與傳統的聚類方法相比具有巨大優勢,但是在許多方麵還存在不足,需要進一步完善.在Kohonen提齣的學習矢量量化網絡(Leaming Vector Quantization Network,LVQ)的基礎上,引入閾值學習規則,較好地解決瞭該類網絡中遇到"死"點時訓練誤差偏大的問題,最後通過Madab編程實現.
경쟁형신경망락이경재모식식별、분류등방면득도료엄범적응용,여전통적취류방법상비구유거대우세,단시재허다방면환존재불족,수요진일보완선.재Kohonen제출적학습시량양화망락(Leaming Vector Quantization Network,LVQ)적기출상,인입역치학습규칙,교호지해결료해류망락중우도"사"점시훈련오차편대적문제,최후통과Madab편정실현.
