下载文档原格式
文章编号：1000-9779（2001）04-0047-03Kohonen 神经网络在公路网布局中的应用唐贤瑛，郭香妍（长沙交通学院，湖南长沙410076）摘要：以江苏公路网部分节点数据为例，研究Kohonen 神经网络在公路网布局中的运用。
结果证实，运用神经网络是可靠的。
关键词：公路网布局；Kohonen 网络；节点中图分类号：U412.1文献标识码：A !根据我国交通主管部门的要求，将公路网规划列为公路建设前期工作的重要组成部分。
它是确保公路网布局合理、有秩序协调发展、防止建设决策的随意性和盲目性的必要手段。
公路网规划是公路交通部门按照社会需要选定建设方案、分析方案优劣，对规划实施进行指导，从而使公路网的建设尽量满足社会需要的过程，并根据规划区域实际情况确定线路走向，以完善网络的结构的方法［1］。
公路网规划问题可归结为节点的分类问题。
传统的算法是节点规划法，即按节点的某些特征参数确定网络的联络点，进而规划线路走向。
选择节点有两种方法。
1）重要度法：重要度是区域内各节点相对重要性的一种综合量度。
用重要度来排定节点的顺序，进而选择节点。
2）动态聚类法：将区域中所有节点视为聚类分析的样本，按一定的标准将样本分成不同的类，然后根据需要逐类处理、选择节点。
本文运用神经网络模式识别方法来研究节点的分类。
Kohonen 提出一种自组织映射模型，当外界输入不同的样本到该模型中，一开始时，输入样本引起输出兴奋的细胞的位置各不相同，但自组织后会形成一些细胞群，它们分别代表了输入样本，反映了输入样本的特性。
这个映射的过程是用一个简单的竞争算法来完成的。
它可作为一种样本特征检验器，使一些无规律的样本自动分类。
本文利用Koho-nen 网络的特点，将Kohonen 网络应用于公路网布局，取得了满意的结果。
图1网络结构1Kohonen 网络的结构Kohonen 网络由输入层和输出层两层网络组成。
输入层接收输入样本；输出层（竞争层次）对输入样本进行分类。
在众多聚类算法中，K-means和自组织神经网络 (SOM)是较为经典的两种。
基于SOM的K-means两阶段聚类算法结合了这两种算法的优点。
首先，SOM算法自动进行聚类，为数据提供一个初步的聚类结构和中心点。
然后，这些初步的聚类数目和中心点作为K-means算法的初始输入，进一步进行精确的聚类，从而得到更为准确的聚类信息。
此外，某研究应用此算法对某地区电信家庭客户数据进行分析，结果显示该算法具有较好的聚类效果。
这表明SOM+K-means两阶段聚类算法在实际应用中具有较高的有效性和可靠性。
人工神经网络简介本文主要对人工神经网络基础进行了描述，主要包括人工神经网络的概念、发展、特点、结构、模型。
本文是个科普文，来自网络资料的整理。
一、人工神经网络的概念人工神经网络（Artificial Neural Network，ANN）简称神经网络(NN)，是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。
该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，将信息的加工和存储结合在一起，以其独特的知识表示方式和智能化的自适应学习能力，引起各学科领域的关注。
它实际上是一个有大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。
神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。
每个节点代表一种特定的输出函数，称为激活函数（activation function）。
每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），神经网络就是通过这种方式来模拟人类的记忆。
网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。
而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
神经网络的构筑理念是受到生物的神经网络运作启发而产生的。
人工神经网络则是把对生物神经网络的认识与数学统计模型相结合，借助数学统计工具来实现。
另一方面在人工智能学的人工感知领域，我们通过数学统计学的方法，使神经网络能够具备类似于人的决定能力和简单的判断能力，这种方法是对传统逻辑学演算的进一步延伸。
人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。
网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。
输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。
竞争型神经网络是基于无监督学习的神经网络的一种重要类型，作为基本的网络形式，构成了其他一些具有组织能力的网络，如学习向量量化网络、自组织映射网络、自适应共振理论网络等。
与其它类型的神经网络和学习规则相比，竞争型神经网络具有结构简单、学习算法简便、运算速度快等特点。
竞争型神经网络模拟生物神经网络系统依靠神经元之间的兴奋、协调与抑制、竞争的方式进行信息处理。
一个竞争神经网络可以解释为：在这个神经网络中，当一个神经元兴奋后，会通过它的分支对其他神经元产生抑制，从而使神经元之间出现竞争。
当多个神经元受到抑制，兴奋最强的神经细胞“战胜”了其它神经元的抑制作用脱颖而出，成为竞争的胜利者，这时兴奋最强的神经元的净输入被设定为 1，所有其他的神经元的净输入被设定为 0，也就是所谓的“成者为王，败者为寇”。
一般说来，竞争神经网络包含两类状态变量：短期记忆变元（STM）和长期记忆变元（LTM）。
STM 描述了快速变化的神经元动力学行为，而 LTM 描述了无监督的神经细胞突触的缓慢行为。
因为人类的记忆有长期记忆（LTM）和短期记忆（STM）之分，因此包含长时和短时记忆的竞争神经网络在理论研究和工程应用中受到广泛关注。
竞争性神经网络模型图自组织特征映射神经网络（简称SOM），是由输入层和输出层组成的单层神经网络，主要用于对输入向量进行区域分类。
SOM是一种无导师聚类，能将一维输入模式在输出层映射成二维离散图形，此图形分布在网格中，网格大小由m*n 表示，并保持其拓扑结构不变，从而使有相似特征的神经元彼此靠近，不同特征的神经元彼此远离，最终实现区分识别样品的目的。
SOM 通过学习输入向量的分布情况和拓扑结构，靠多个神经元的协同作用来完成模式分类。
当神经网络接受外界输入模式时，神经网络就会将其分布在不同的对应区域，并且记忆各区域对输入模式的不同响应特征，使各神经元形成有序的空间分布。
当输入不同的样品光谱时，网络中的神经元便随机兴奋，经过SOM 训练后神经元在输出层有序排列，作用相近的神经元相互靠近，作用不同的神经元相互远离。
竞争性神经网络的原理及应用竞争性神经网络是一类典型的无监督学习算法，它在人类的神经系统中有着广泛的应用。
竞争性神经网络作为一种较新的技术，其目标在于模拟人类神经系统的行为，实现自主学习和不断变化的能力。
本文将介绍竞争性神经网络的原理及其应用。
一、竞争性神经网络的原理竞争性神经网络是通过模拟人类神经系统的行为来进行学习的。
它的基本原理是，将一组数据输入系统中，每个神经元之间相互竞争，最终经过竞争得出“优胜者”。
竞争性神经网络中最常用的模型是Kohonen自组织映射网络。
在Kohonen自组织映射网络中，每个神经元都与一个向量相关联，称为权重向量。
每次输入向量并给出一个胜出神经元，胜出神经元的权重向量通过调整来接近输入向量，而其他神经元的权重向量则保持不变。
Kohonen自组织映射网络的工作过程如下：（1）初始化每个神经元的权重向量；（2）给定输入向量；（3）计算每个神经元与输入向量的距离；（4）选择距离最近的神经元作为胜出神经元；（5）调整胜出神经元及其周围神经元的权重向量。
上述过程重复多次，神经元的位置会不断调整，最终形成一个由许多神经元构成的二维网格。
这个过程中，神经元的权重向量会不断调整，使得相似的输入向量聚集在相邻的神经元上。
二、竞争性神经网络的应用竞争性神经网络的应用十分广泛，在模式分类、数据挖掘、机器人控制、图像处理等领域中都有着重要的应用。
1. 模式分类竞争性神经网络可以通过自组织学习的方式进行模式分类。
在输入向量空间中聚集在一起的向量归为同一类别，从而对其它向量进行分类。
例如，通过对由红色和蓝色像素组成的图像进行训练，可以将红色像素和蓝色像素分别归类，并将其它颜色的像素归类到与其最接近的类别中。
2. 数据挖掘竞争性神经网络可以在数据挖掘领域中用来确定数据的特征。
这种网络可以在输入向量空间中分离出各种特征，并将其归为不同的类别。
例如，在一个由客户购买历史、性别、年龄等组成的数据集中使用竞争性神经网络，将各种特征分离出来，并将客户划分为不同的类别。
神经网络的特点分析神经网络的特点分析（1）神经网络的一般特点作为一种正在兴起的新型技术神经网络有着自己的优势，他的主要特点如下：①由于神经网络模仿人的大脑，采用自适应算法。
使它较之专家系统的固定的推理方式及传统计算机的指令程序方式更能够适应化环境的变化。
总结规律，完成某种运算、推理、识别及控制任务。
因而它具有更高的智能水平，更接近人的大脑。
②较强的容错能力，使神经网络能够和人工视觉系统一样，根据对象的主要特征去识别对象。
③自学习、自组织功能及归纳能力。
以上三个特点是神经网络能够对不确定的、非结构化的信息及图像进行识别处理。
石油勘探中的大量信息就具有这种性质。
因而，人工神经网络是十分适合石油勘探的信息处理的。
（2）自组织神经网络的特点自组织特征映射神经网络作为神经网络的一种，既有神经网络的通用的上面所述的三个主要的特点又有自己的特色。
①自组织神经网络共分两层即输入层和输出层。
②采用竞争学记机制，胜者为王，但是同时近邻也享有特权，可以跟着竞争获胜的神经元一起调整权值，从而使得结果更加光滑，不想前面的那样粗糙。
③这一网络同时考虑拓扑结构的问题，即他不仅仅是对输入数据本身的分析，更考虑到数据的拓扑机构。
权值调整的过程中和最后的结果输出都考虑了这些，使得相似的神经元在相邻的位置，从而实现了与人脑类似的大脑分区响应处理不同类型的信号的功能。
④采用无导师学记机制，不需要教师信号，直接进行分类操作，使得网络的适应性更强，应用更加的广泛，尤其是那些对于现在的人来说结果还是未知的数据的分类。
顽强的生命力使得神经网络的应用范围大大加大。
1.1.3自组织神经网络相对传统方法的优点自组织特征映射神经网络的固有特点决定了神经网络相对传统方法的优点:（1）自组织特性，减少人为的干预，减少人的建模工作，这一点对于数学模型不清楚的物探数据处理尤为重要，减少不精确的甚至存在错误的模型给结果带来的负面影响。
（2）强大的自适应能力大大减少了工作人员的编程工作，使得被解放出来的处理人员有更多的精力去考虑参数的调整对结果的影响。
kohonen规则
Kohonen规则是指自组织特征映射（Self-Organizing Feature Map，简称SOFM）算法中的学习规则。
它是一种无监督学习算法，主要用于降维和数据可视化。
Kohonen规则主要包括两个部分：竞争学习和胜者生存。
1.竞争学习：在竞争学习中，神经网络中的每个神经元（或称为节点）都对应一个特征空间中的维度。
当输入数据到来时，各个神经元会根据输入数据与自身对应的特征值之间的距离来竞争激活权值。
距离越近，权值越大。
2.胜者生存：在竞争过程中，权值更新规则是基于胜者生存原则进行的。
每次迭代过程中，权值更新仅发生在获胜神经元（即距离输入数据最近的神经元）上。
获胜神经元的权值根据输入数据的特征值进行更新，而其他神经元的权值保持不变。
K o honen规则通过这种竞争和胜者生存的过程，使得神经网络能够在无监督的情况下，自动学习到输入数据的特征结构，并将其映射到网络中的节点分布。
这种方法在降维、数据可视化、模式识别等领域具有广泛的应用。
。
kohonen规则-回复Kohonen规则：自组织特征映射算法随着人工智能和机器学习的发展，自组织特征映射（SOM）算法越来越受到研究者和工程师的关注。
在SOM算法中，Kohonen规则（Kohonen's rule）在权重调整和聚类过程中扮演着重要的角色。
本文将详细介绍Kohonen规则的原理和应用，以及在实际场景中的步骤和流程。
一、Kohonen规则的原理Kohonen规则是一种在SOM算法中用于权重调整的规则。
它的基本原理是在训练过程中，根据输入向量与权重向量之间的相似度来更新权重向量。
在SOM算法中，权重向量表示着对输入空间的聚类特征。
具体而言，Kohonen规则可以表达为如下形式：Δwi = α* (xi - wi)其中，Δwi表示第i个权重向量的变化量，α是学习率（learning rate），xi为输入向量，wi为第i个权重向量。
根据上述公式，Kohonen规则可以分为两个关键步骤：计算权重向量与输入向量之间的相似度，并根据相似度更新权重向量。
二、Kohonen规则的应用Kohonen规则在SOM算法中被广泛应用于数据聚类和模式识别等任务。
通过SOM算法，我们可以将高维输入空间映射到低维输出空间，并保持输入向量之间的拓扑关系。
在数据聚类方面，Kohonen规则可以帮助我们将输入空间中的数据点划分为不同的聚类簇。
通过不断迭代和更新权重向量，SOM算法能够逐渐调整权重，使得相似的输入向量被映射到相邻的输出神经元，从而形成聚类簇。
在模式识别方面，Kohonen规则可以用于特征提取。
通过训练SOM 网络，我们可以获取每个输出神经元对应的权重向量，这些权重向量可以被看作是对输入空间的一种抽象表示。
在实际应用中，我们可以使用这些权重向量来识别和分类不同的模式。
三、Kohonen规则的步骤和流程下面将分步骤介绍Kohonen规则在SOM算法中的具体流程。
1. 初始化网络：首先，我们需要初始化一个包含有N个输出神经元的网络，每个神经元都有一个对应的权重向量。
第4章 SOM自组织特征映射神经网络生物学研究表明,在人脑的感觉通道上，神经元的组织原理是有序排列的。
当外界的特定时空信息输入时，大脑皮层的特定区域兴奋，而且类似的外界信息在对应的区域是连续映像的.生物视网膜中有许多特定的细胞对特定的图形比较敏感，当视网膜中有若干个接收单元同时受特定模式刺激时，就使大脑皮层中的特定神经元开始兴奋，输入模式接近,与之对应的兴奋神经元也接近；在听觉通道上，神经元在结构排列上与频率的关系十分密切，对于某个频率，特定的神经元具有最大的响应，位置相邻的神经元具有相近的频率特征,而远离的神经元具有的频率特征差别也较大。
大脑皮层中神经元的这种响应特点不是先天安排好的，而是通过后天的学习自组织形成的。
据此芬兰Helsinki大学的Kohonen T.教授提出了一种自组织特征映射网络（Self—organizing feature Map，SOM)，又称Kohonen网络［1—5］.Kohonen认为,一个神经网络接受外界输入模式时，将会分为不同的对应区域，各区域对输入模式有不同的响应特征，而这个过程是自动完成的。
SOM网络正是根据这一看法提出的，其特点与人脑的自组织特性相类似.4.1 竞争学习算法基础[6]4。
1.1 自组织神经网络结构1．定义自组织神经网络是无导师学习网络.它通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构。
2．结构层次型结构,具有竞争层.典型结构：输入层＋竞争层。
如图4-1所示。
竞争层输入层图4—1 自组织神经网络结构输入层：接受外界信息,将输入模式向竞争层传递，起“观察”作用。
竞争层：负责对输入模式进行“分析比较”，寻找规律，并归类。
4。
1。
2 自组织神经网络的原理1．分类与输入模式的相似性分类是在类别知识等导师信号的指导下,将待识别的输入模式分配到各自的模式类中,无导师指导的分类称为聚类,聚类的目的是将相似的模式样本划归一类，而将不相似的分离开来，实现模式样本的类内相似性和类间分离性。
