美文网首页
A Growing Neural Gas Network Lea

A Growing Neural Gas Network Lea

作者: 飘涯 | 来源:发表于2021-03-15 17:39 被阅读0次
    • Time: 2021-03-15

    • GNG

      • 理解矢量量化(https://blog.csdn.net/qq_16234613/article/details/79991191

        • 概念:信号压缩方法:将若干个标量数据组构成一个矢量,然后在矢量空间给以整体量化,从而压缩了数据而不损失多少信息。

        • 难点:难点在于它要要解决一个多维积分(multi-dimensional integration)的问题

        • 例子:

          • 二维为例: image

            我们用蓝色实线将这张图划分为16个区域。任意的一对数(也就是横轴x和纵轴y组成的任意的一个坐标点(x, y))都会落到上面这张图中的某一特定区域。然后它就会被该区域的红星的点近似。这里有16块不同区域,就是16个红星点。然后这16个值就可以用4位的二进制码来编码表示(2^4=16)。因此,这是个2-dimensional, 4-bit VQ,它的速率同样是2bits/dimension。上面这些红星点就是量化矢量,表示图中的任意一个点都可以量化为这16个矢量中的其中一个。

          • 设计问题(写出优化目标)

          • 优化准则

          • LBG算法(迭代)

      • 论文阅读(A Growing Neural Gas Network Learns Topologies)、

        • 摘要

          • 输入:一组向量

          • 输出:向量的拓扑结构

          • 学习方式:类似于赫布理论的学习方式

        • 算法步骤

          • 0 初始化两个结点

          • 1 输入一个信号

          • 2 找到最近的结点k和次近的结点p

          • 3 最近结点的边的年龄增加1

          • 4 计算最近点k和输入信号的距离误差

          • 5 将结点k和k的邻居向输入信号的方向移动

          • 6 如果k,p有边,令边的年龄为0;没有边创建边

          • 7 删除超过年龄最大值的边;并且删除度为0的结点

          • 8 生成新的结点r

            • a 设置输入多少数据产生新的结点;找到累计误差最大的结点q

            • b 在结点q和q的邻居(f误差最大)插入一个结点r

            • c 创建新的结点,并且连接边,删除原来的边

            • d 减小结点q和f的误差(乘上参数)

          • 9 减小所有的结点误差(乘上参数)

          • 10 设置循环结束的条件可以是数据的轮数,也可是结点的大小

        • 模型的参数如下:

          • e_b=0.1, e_n=0.006, a_max=10, l=200, a=0.5, d=0.995, passes=8,num_node=100
            e_b表示获胜的神经元移动的学习率
            e_n表示获胜的神经元的邻居移动的学习率
            a_max表示神经元连接的年龄
            l表示什么时候增加新的units
            a减少误差变量
            d减小所有unit误差变量
            passes训练次数
            num_node网络结点的个数

    相关文章

      网友评论

          本文标题:A Growing Neural Gas Network Lea

          本文链接:https://www.haomeiwen.com/subject/zaikcltx.html