23、基于卷积递归修正自组织映射的手写数字识别及地理民俗分类动态场所分析

基于卷积递归修正自组织映射的手写数字识别及地理民俗分类动态场所分析

卷积递归修正自组织映射在手写数字识别中的应用

在手写数字识别领域，传统的自组织映射（SOM）方法存在一定的局限性。为了更有效地解决手写数字识别问题，研究人员提出了卷积递归修正自组织映射（Convolutional Recursive Modified SOM，CR - Modified SOM）方法。

修正自组织映射

首先，对自组织映射进行了改进，提出了初始化算法和新的拓扑结构。新的拓扑结构将邻域调整限制在非不同密集区域的神经元上，通过引入分裂和合并算法来初始化神经元，并在此基础上为SOM构建了一种拓扑结构，使其能够在输入数据空间的高密度区域生成神经元，且不连接处于不同密集区域的神经元。与传统SOM相比，这种新拓扑结构将邻域调整的复杂度从二次降低到了线性。

递归修正自组织映射算法

为了学习输入图像的多样性和风格，提出了递归形式的修正自组织映射算法。具体步骤如下：
1. 准备一组图像ℵ = {P1, …, PB}，初始化算法2的参数，设置网络Ψ = ∅。
2. 从ℵ中选择一个图像Pb。
3. 将Pb和Ψ的并集作为输入数据向量，应用算法2进行训练。
4. 将修正自组织映射的输出神经元更新到参数Ψ中。
5. 如果ℵ中的所有图像都已处理，则终止算法；否则，返回步骤2。

通常，ℵ中的所有图像都具有相同的标签，因此最终的Ψ是一个带有标签的训练好的网络。

训练过程

在训练阶段，预先定义了M0, …, M9集合的基数。假设集合My（y = 0, …, 9）的基数为¯ny