53、神经网络与神经模糊系统在不同领域的应用

神经网络与神经模糊系统在不同领域的应用

1. 生长神经气（GNG）用于二维对象表示与拓扑地图学习

1.1 GNG 算法操作步骤

在使用 GNG 算法时，有以下关键操作步骤：
- 插入新边连接神经元 r 与神经元 q 和 f，并移除 q 和 f 之间的旧边。
- 将神经元 q 和 f 的误差变量乘以常数 α 以减小误差，同时用 q 和 f 的新误差变量值初始化 r 的误差变量。
- 将所有误差变量乘以常数 β 进一步减小误差。
- 若未达到停止准则（这里是插入的神经元数量），则返回步骤 2 继续迭代。

1.2 二维对象表示

对于给定的图像 (I(x,y))，通过执行变换 ( \psi(x,y) = T(I(x,y)))，将每个像素与其属于对象的概率相关联，该变换可以是阈值函数。若令 ( \xi=(x,y)) 且 (P(\xi)=\psi_T(\xi))，则可将 GNG 的学习算法应用于图像 (I)，使网络拓扑适应对象。经过 GNG 学习，可得到拓扑保持图 (TPG = (N, C))，其中 (N) 是顶点（神经元）集合，(C) 是连接它们的边集合，该图建立了由对象诱导的 Delaunay 三角剖分。而且，GNG 模型能够在不针对每个对象初始化不同数据结构的情况下，对具有相同视觉属性 (T) 的对象的不同部分或多个对象进行特征描述，这得益于其在移除神经元时的自我分割能力。

1.3 实验验证

1.3.1 拓扑地图表示与学习

为了验证 GNG 的表示能力，对不同迷宫进行了实验，得到表示图像中不同环境的图。通过获取神经元坐标和相邻关系信息，可将结果应用于单