开发者学堂课程【神经网络概览及算法详解：学习向量量化神经网格】学习笔记与课程紧密联系，让用户快速学习知识
课程地址：https://developer.aliyun.com/learning/course/40/detail/936
学习向量量化神经网格
内容介绍：
一、学习向量量化神经网格
二、LVQ的神经网络
三、LVQ的网络结构
四、LVQ的学习算法
一、学习向量量化神经网格
学习向量量化神经网格是由Kohonen教授提出，是在竞争网络基础上考虑将无监学习和有监学习相结合的新算法。学习向量量化神经网格又称为Learning Vector Quantization简称LVQ。
量化概念：通常针对标量，针对数字。
在数字信号处理领域，是指将信号的连续取值，近似为有限个离散值的过程。既为对连续的数字进行离散化。向量量化就是对标量量化的扩展，更适合于高维数据。向量量化思路为：在高维输入空间，分成多个不同的区域，每个区域指定一个中心向量，相当于指定一个聚类中心，当输入映射到该区域中，认为可使用中心向量既聚类中心代表该数据，最终结果形成以中心向量为聚类中心的集合。这是LVQ的核心思想。
二、LVQ的神经网络
假设将高维数据映射到二维输入平面上，该算法和之前的Winner-Take-All既胜者为王和SOFM算法比较接近。都是使用少量的聚类中心表示原始数据，但使用SOFM时，思考16种动物聚类的例子，聚类结果：聚类中心对应的向量具有某种相似特征，一般的向量量化中不具备这种特点。
LVQ一般做法：
第一步，聚类；通过自组织映射进行聚类。既先确定聚类中心，既为中心向量。
第二步，使用学习量化学习向量量化；通过有监督方法，利用教师信号，一般有监督就有教师信号，既为预计输出与实际输出的差，作为分类信息对权值进行调整，指定输出神经元的列表。实际是分为两步，根据实际网络的top结构观察。
三、LVQ的网络结构
网络结构特点：
分为三层。SOFM时为两层，SOFM到竞争层就没有输出层，竞争获胜得神经元获得相关邻域的竞争层，有输出结果直接输出，不存在输出层。对于LVQ来说，有三层。
输入层，竞争层，输出层。输入层和竞争层之间为全链接，每一个输出节点都会连接到所有竞争层的神经元中。竞争层是分组的，分有不用组，每组之间的神经元是相互连接的，组和组之间是没有链接的。相当于在竞争层相当于已聚过类，每一个竞争层的输出相当于输入样本，假设输入样本进入，激活竞争层1，输出O1，认为该样本和y1组的中心向量相近，就用y1组的中心向量代表当前的输入样本。每一个竞争层的节点对应一个输出进入，一组对应一个。竞争层到输出层的权重固定为1，即输出或不输出，只有一组输出。输入层到竞争层权重较多，需要更新。竞争层的学习规则是胜者为王WTA。竞争层的胜者输出为1，其余为0。
四、LVQ的学习算法
输入向量记作X，为n维的向量。
竞争层的输出记作Y，分为m组，每组有几个神经元。
输出层的输出记作O，有L个输出，分为L类。
网络期望输出记作D，为L个。
输入层到竞争层的权重记作W(1)，由一组W代表。
竞争层到输出层的权重记作W(2)，注意：该权重为1或者为0。
W(2)权重中，对于y1组，都为输出。假设y1输出，其余组输出为0。
具体的学习算法
初始化：给予输入层到竞争层的权重赋予初始值，确定初始学习速率
，和训练次数T。
输入样本向量：输入X。
寻找获胜神经元：使用Winner-Take-All算法，即为找到输出值和权重最接近的记录，即为获胜神经元，记作j*。使用输入减去权重，最小值即为所取值，既其输出最大。
其满足以下条件：
权重调整：得到获胜神经元后，判断其分类，即为确认中心向量。后续调整
实际为调整能代表竞争层每组的中心向量，中心向量确定后，接着寻找输入样本。如果输入样本经过竞争层竞争，指定一个输出，观察样本最终输出与计划输出是否一致。即为分类是否正确。假设分类正确表明方向正确，继续向输入样本方向调整权重。按照新权重等于现在的权重加上学习率乘以
即为输入向量与权重的差。
如果不一致，即为分类错误，方向错误，需按照背离输入样本的方向调整权重，既不在这一类，去另一类。新权重等于原来的减n乘以
，
更新学习速率：
判断是否满足输出条件，如果不满足继续训练。
在调整寻找获胜神将元时在寻找中心向量，通过不断训练，中心向量越来越明确，既竞争组之间的区别越来越明显，最终形成固定的几类。
和
为通过有监的学习，使用样本和最终期望的结果进行比较，更新W。通过两个学习方式叠加，可以得到分类性能较好的算法。
这是非常典型的有监督学习和无监督学习相结合的算法。
