文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > IT/计算机 > 多属性信息决策的改进无监督学习算法建模与应用
侵权投诉

多属性信息决策的改进无监督学习算法建模与应用

针对SOM网络无监督学习算法的单样样序列学习方式内存占用多的特点,采用Vornoi矢量原理改进权矢量迭代方式,使改进算法具有所有样本同时学习的能力,同时人出了算法的矢量映射误差测度和拓扑误差测度。然后根据改进算法建立了多属性信息决策的可视二维拓扑映射图模型,并对R&D项目中止决策进行了研究,计算结果表明,改进的无监督学习算法收敛速度快,基于拓扑映射图模型的多属性决策有效。

维普资讯 doc.guandang.net

21 S M网络基本原理 . O S M网络由输入层和输出层两层组成。如果输入样本用 O

X∈M对应的两个最近权矢量和,样本矢量映射的 (设最近权矢量为,它第二最近的模式矢量权值为 )包含距也在空间肘中。根据假设,映射图中,一些样本矢量值在在而与,间的样本映射到。之,同时其它样本矢量的映射到,。 如果邻接的样本矢量的映射权矢量对应的神经元与 n在拓 j

矢量表示,=,,,,有/样本,出为由权矢量构 P I2…/共 v v个输

建的二维空间映射平面。输入样本矢量与权矢量 mU:,,, 1 2 …

,

n)配的程度,欧氏距离 d表示:匹用

d x, ) I (=I 厂 I l 为 c则:, d(Pmc= nd(Pm , ) mi , ) J

() 1

扑映射图是邻接的,局部映射邻接,则即拓扑保留,果不邻如 接,不具有局部连续,出现拓扑误差。扑误差测度计算公则即拓 式如下:

如果在输出层中有一个模式矢量与输入匹配最好,记 () 2

1

£=

uI l I l

() 7

然后对权 m进行修正: m (+1= () e() () x m ( ) jt ) mjt+ tt£ (~ jt ) () 3

其中, ()学习率,时间动态下降: () e t为 t随 £为邻域函数, 采用高斯函数。

u萋 (= X( k

萎霎接

3多属性信息决策的拓扑映射图可视化建模

ce《 rx一 p—= ()映了邻域的范围。£反

)

( 4 )

根据 S M网络能把高维数据拓扑映射到二维空问特点, 0 将网络输出的决策信息用可视化的方式显示出来。法是将由方

其中,和 r别是输出单元 b和 j在映射平面的位置, r^,分 .盯

输出的权矢量矩阵形成的拓扑映射图显示成灰度图象,中每图个网格结点

(即映射模式矢量点 )由灰度值表示,度值对应于灰 权值空间中结点与其近邻结点问的距离。结点像素亮度的降低,示模式矢量之间距离增大。过这种表示,网络输出层表通在中,由暗色区域隔开的区域代表一个不同特征的决策类。输入 多属性样本将被拓扑映射到不同类型的区域。后就可根据输然

22 S . OM网络无监督学习算法改进 采用 S M网络算法迭代训练时,单样本序列训练, 0是为减少计算中多属性样本的内存占用空间和计算时间,文章利用 V mn i量对 S M网络算法进行改进。V mn i量原理… o o矢 0 o o矢:

设模式样本∈BCR的概率密度分布为 P )且 px =。 (,{∈ l其中的一个分块可以表示为=,:…,,义映射 Q:{ V, V l定 一 0: )0,中∈V, 0:0,:…,称为对应分块 Q=其则 f,0, 0J V的一组 V rni化矢量,称 V rni量,是给定的模 ooo量简 oo o矢它式样本的统计平均。在改进算法中,以同时输入所有的学习可样本进行迭代训练。改进的权矢量迭代修正方法如下: 在每一步的训练中,本按输入样本的拓扑映射图中权矢样 量的 V rn i量分块进行划分,划分区域,一个样本属 oo o矢在每

入样本的决策分类信息对新输入信息进行正确的归类识别。采用拓扑映射图模型进行多属性信息决策,但能够对决策方案不的可行性进行判断,且可以对方案和已知成功或失败项目的而 相似性进行对比分析 .得它们之间的关联程度和变化趋势。获

4多属性决策案例分析 研究与开发 (&D)是企业技术创新过程的重要环节, R从

R&D项目的方案、证、究开发、验到工业化生产的过程论研试中,每一个里程碑阶段,需要进行项目中止决策的研究,在都即 对项目做出继续研究、缓或中止研究的决策。特别是对于重暂

于它的最佳匹配映射权矢量。新权矢量按下式修正:

∑ ( £ ) m( 1= j+ )}一—— t ) ( 5)

大科技工程,科学的项目中止决

策可以大大减少 R&D项目的风险性和提高研发资源的利用率。R&D项目的成功与失败是由许多因素决定的,属于多属性决策问题。文献【】对某飞即 2针机制造企业 R&D项目的性质、点和中止决策的目标,计了特设 一

其中,是学习样本数,= r i l厂m l是样本在对/ 2 c ag mnfl l} 应 V rn i量分块中匹配的权矢量数。赋予每个样本的权重 oo o矢 h ~

套适用于该企业 R&D项目中止决策的指标体系。该指标体

()样本的最佳匹配权矢量对应的邻域函数,权矢量 t是新

系由 l 2个指标组成,别为: 1开发资金; 2开发人员; 3 分 () () ()技术信息; 4市场信息;5研制体制与奖励制度; 6销售渠 () () ()道及企业的营销能力;7企业技术能力; 8符合企业规划程 () ()

是每个样本权重后的平均值。

23 S M网络映射误差和拓扑误差测度的确定 _ O ( )射模式误差测度的确定:正后的权矢量即为输入 1映修

度;9成本高、期长; 1 )策法规影响; 1 )险程度; ()周 (O政 ( 1风 ( 2市场竞争与进口冲击。 1)根据该企业的 R D项目情况,以&可

样本矢量对应的模式矢量,了检验网络训练精度,用输入为采样本矢量与映射模式矢量的平均量化误差作为测度。射模式映 误差测度为: .

将这些项目结束时的状态分为 4个类别,即 A成功的项目, B 基本成功的项目;尚可但存一定问题的项目和 D失败的项 C目。 3个 R从 1&D项目样本数据中任选 2 6个项目进行聚类,根据每类项目的聚类中心可获得 4类决策模式,见表 l其余 5。

£:1 1V t

I . l l一 l

() 6

其中:/输入样本数,是各自对应的模式矢量。 v是 ()扑误差的确定:扑映射是 S M网络的显著特征, 2拓拓 O 但拓扑误差计算1比较复杂。过权衡计算精度、度和样本广 3 1通速泛适用性,用以下方法计算拓扑误差。采 假设:输入空间 M CR,于Ⅳ个样本, M, 1 2…,

设对 X∈ i,, =/。 v在空间肘中,过线性划分,有最近欧氏距离的两个样本通具

个项目作为中止决策的检验样本,表 2见。采用改进的 S M网络无监督学习算法进行 R O&D项目中 止决策过程如下: 1设定映射图的模式矢量为 6 6网格数, () x初始学习率为 03然后输入 4类决策模式到网络中,得样本的 _,获可视拓扑映射图,图 1图的右边为映射模式矢量距离灰度见,表。算法中止迭代步骤为 8步,入矢量与映射矢量 (矢量 )输权 (转 2 3页 )下 5

矢量是邻接的 (即邻接样本矢量 )在 S M网络中,本矢量; 0样 计算机工程与应用

2 0 .l l 0 22 3

多属性信息决策的改进无监督学习算法建模与应用

上一页第2页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email