人工神經網路/競爭學習

競爭學習

競爭學習是一種基於以下思想的規則：在給定層中給定迭代中，一次只有一個神經元會啟用。權重會進行調整，以便在某一層（例如輸出層）中只有一個神經元啟用。競爭學習對於將輸入模式分類到離散的輸出類別集中非常有用。每次迭代的“獲勝者”元素i^* 是總加權輸入最大的元素。使用這種表示法，一個競爭學習規則的例子可以用數學方式定義為

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

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

線性向量量化

在學習向量量化 (LVQ) 機器中，輸入值會與每個神經元的權重向量進行比較。與輸入最匹配的神經元被稱為系統的最佳匹配單元 (BMU)。BMU 的權重向量以及附近神經元的權重向量會透過一定的步長調整，使其更接近輸入向量。神經元會被訓練成為獨立的特徵檢測器，並且可以將特徵檢測器的組合用於識別來自輸入空間的大類特徵。LVQ 演算法是更高階學習演算法（例如自組織對映）的簡化前身。LVQ 訓練是一種競爭學習規則。