获胜神经元的确定方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种获胜神经元的确定方法、装置、设备和存储介质。该方法包括：获取自组织神经网络当前优胜域中各神经元的当前权重值以及所述自组织神经网络的当前训练数据；计算每个当前权重值与所述当前训练数据之间的相似度参数，并基于所述相似度参数确定所述自组织神经网络的获胜神经元。本发明专利技术实施例通过采用上述技术方案，能够为自组织神经网络提供更多样的获胜神经元确定方式，以满足不同用户的数据处理需求。

【技术实现步骤摘要】
获胜神经元的确定方法、装置、设备和存储介质
本专利技术涉及神经网络
，尤其涉及一种获胜神经元的确定方法、装置、设备和存储介质。
技术介绍
近年来，随着大数据技术的发展以及数据处理需求的增多，人工神经网络(NeuralNetwork，NN)也得到了很大的发展。人工神经网络按照类型一般可以分为BP(BackPropagation)神经网络、径向基神经网络、感知器神经网络、线性神经网络、自组织神经网络和反馈神经网络等。其中，自组织神经网络在网络组成时引入了拓扑结构，通过竞争学习模拟生物神经元之间的兴奋、协调与抑制、竞争作用在信息处理时的动力学原理来指导网络的学习与工作，特别适合用于解决模式分类和识别方面的问题。在此，自组织神经网络的竞争学习是指同一层神经元之间相互竞争，竞争胜利的神经元(即获胜神经元)修改其与对应的连接权值的过程。竞争学习是一种无监督学习方法，在学习过程中只需向网络提供一些学习样本，网络根据输入样本的特性进行自组织映射即可对样本自动排序和分类，无需提供理想的目标输出。在自组织映射过程中，自组织神经网络的竞争层负责对学习样本进行分析比较，寻找规律并归类。但是，现有技术一本文档来自技高网...

【技术保护点】
1.一种获胜神经元的确定方法，其特征在于，包括：获取自组织神经网络当前优胜域中各神经元的当前权重值以及所述自组织神经网络的当前训练数据；计算每个当前权重值与所述当前训练数据之间的相似度参数，并基于所述相似度参数确定所述自组织神经网络的获胜神经元。

【技术特征摘要】
1.一种获胜神经元的确定方法，其特征在于，包括：获取自组织神经网络当前优胜域中各神经元的当前权重值以及所述自组织神经网络的当前训练数据；计算每个当前权重值与所述当前训练数据之间的相似度参数，并基于所述相似度参数确定所述自组织神经网络的获胜神经元。2.根据权利要求1所述的方法，其特征在于，所述相似度参数为一致性函数值，所述计算每个当前权重值与所述当前训练数据之间的相似度参数，并基于所述相似度参数确定所述自组织神经网络的获胜神经元，包括：计算每个当前权重值与所述当前训练数据之间的一致性函数值，所述当前权重值和所述当前训练数据均为行向量或列向量；将所述一致性函数值最大的当前权重值对应的神经元确定为所述自组织神经网络的获胜神经元。3.根据权利要求2所述的方法，其特征在于，所述计算每个当前权重值与所述当前训练数据之间的一致性函数值，包括：计算每个当前权重值的第一自谱密度、所述当前训练数据的第二自谱密度、每个当前权重值与所述当前训练数据的交叉普密度；根据所述第一自谱密度、所述第二自谱密度和所述交叉普密度确定每个当前权重值与所述当前训练数据之间的一致性函数值。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一自谱密度、所述第二自谱密度和所述交叉普密度确定每个当前权重值与所述当前训练数据之间的一致性函数值，包括：通过如下公式计算每个当前权重值与所述当前训练数据之间的一致性函数值：其中，Sx(ω),为当前权重值的第一自谱密度，Sy(ω)为当前训练数据的第二自谱密度，Sxy(ω)为所述当前权重值和所述当前训练数据的交叉谱密度。5.根据权利要求1所述的方法，其特征在于，在所述基于所述相似度参数确定所述自组织神经网络的获胜神经元之后，还包括：确定所述获胜神经元对应的权重值调整域以及所述自组织神经网络的当前学习率函数；根据所述当前学习率函数计算所述权重值调整域中各神经元调整后的权重值；将所述权重值调整域确定为所述自组织神经网络的当前优胜域，将各所述调整后的权重值确定为所述当前优胜...

【专利技术属性】
技术研发人员：张延，
申请(专利权)人：深圳市汇沣世纪数据工程有限公司，
类型：发明
国别省市：广东,44