巴拉圭

ParaGro:一种用于生成任意输入/输出维的并行自组织映射的学习算法自组织映射(SOM)已成为数据可视化、模式分类或自然语言处理等领域的热门课题,被视为人工神经网络的主要概念之一。其基本思想是通过一个低维的神经网络结构来近似一个高维的、先前未知的输入分布,从而使输入空间的拓扑结构得到严密的映射。不仅保留了一般的拓扑结构,而且在最终输出中反映了输入空间的相对密度。Kohonen映射还具有邻域影响的特性。也就是说,当一个神经元决定移动时,它会把它所有的邻居都拉向同一个方向,这个方向是由一个弹性因子修正的。我们提出了一个SOM,它并行地处理整个输入,并随着时间的推移进行自我组织。并行输入处理的主要原因在于,知识可以用来识别输入空间中已经学习的部分模式。因此,可以开发出这样的网络:不必每次提出一组新的输入向量就重新组织其结构,而是根据先前的映射调整其内部结构。一个基本的应用是通过分层结构对整体-部分关系进行建模,所提出的神经网络模型实现了任意输入、任意输出维的增长并行SOM结构。该算法的优点是可以一步处理整个输入空间。网络中的所有节点同时计算它们的步长,因此,能够在不重组的情况下检测已知模式。仿真结果支持以下章节中提出的理论框架。