在 MacDonald 和 Fyfe (2000) 提出的基于 k 均值的内核 SOM 中,均值的更新基于软学习算法
mi(t + 1) = mi(t) + Λ[φ(x) − mi(t)]
其中 Λ 是 i 均值的归一化获胜频率,定义为
其中 z 是获胜计数器,通常定义为两个神经元索引之间的高斯函数。 (参考:https://personalpages.manchester.ac.uk/staff/hujun.yin/pubs/NN-SI-2006-Yin.pdf
我想知道标准化中奖频率是如何计算的。如果可能的话,有人可以链接一个解释该符号的参考文献吗?
这是标准 SOM 程序。 ❖ 是邻域函数。它只是经过标准化,使其值介于 0 和 1 之间。
邻域函数,有时也称为核,通常是一个取决于单元与获胜单元 (i) 的距离的函数,并且通常会随着时间的推移而缩小。输入样本对 SOM 的影响由该方程确定。在论文中,它被定义为钟形函数(即高斯函数)。将其视为输入样本 x 的影响区域。
我建议您阅读 Kohonen 关于 SOM 的原始论文。请参见公式 4:https://sci2s.ugr.es/keel/pdf/algorithm/articulo/1990-Kohonen-PIEEE.pdf
邻域函数的一些示例:https://github.com/ivallesp/somnium/blob/master/somnium/neighborhood.py