基于高斯神经元的自组织映射网络研究

摘要：

自组织映射网络(Self-organizing map network,SOM)是一种经典的无监督学习方法,具有自组织和联机学习功能.由于其简明与实用等特点,不断涌现出SOM变体以适应各类问题.然而,这些工作基本都采纳了确定性神经元建立网络,忽略了数据本身隐含的不确定性信息,导致这些模型的结果缺乏由置信度反映的可解释性,意味着SOM神经元的不确定性刻画能力不足.本文提出了一种高斯神经元SOM网络(Ganssian neuron som network,GNSOM),其神经元节点不再是确定性的,而是建模为高斯分布的高斯神经元,为SOM配备了不确定性功能用于表述数据的不确定性.在实现时,将输入数据同样高斯化,并用Jensen-Shannon(JS)散度代替SOM学习中的欧氏距离作为GNSOM学习中的相似性匹配度量,由此获得了不确定性表示.实验结果表明,GNSOM具有更好的训练效果,并能通过神经元节点的协方差矩阵反映数据的不确定性.由于这种对神经元的高斯化独立于SOM本身,因此能拓展应用于其他神经元模型.

关键词：无监督学习、自组织映射网络、数据不确定性、高斯神经元自组织映射、JS散度

所属期刊栏目：38

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金61732006

在线出版日期：2023-06-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：85-92