9、人工神经网络与人类学习建模：从基础到应用

人工神经网络与人类学习建模：从基础到应用

1. 引言

动物需要在无监督的情况下识别环境中的结构，这与数据处理中的无监督学习有相似之处。无监督人工神经网络在数据投影或可视化方面有重要应用，能帮助专家分析数据集的内部结构。数据投影可通过在更具信息性的轴上进行投影，或生成表示数据集内部结构的地图来实现。例如，Hebbian学习可用于前者，自组织映射（SOM）则是后者最常用的技术。

拓扑保持映射算法可对高维大数据集进行可视化和解释，是通过视觉检查进行数据挖掘的有用工具，常见应用包括可视化过程状态或财务结果。然而，人工神经网络算法普遍存在稳定性问题，而集成学习是克服监督学习算法不稳定性的常用方法。集成学习通过策略性地生成和组合多个模型来解决特定的计算智能问题，主要用于提高模型性能或降低选择不适用模型的可能性。

有研究将集成学习与主成分分析（PCA）相结合，即把简单的集成算法Bagging应用于PCA。该模型有两个应用：一是指示分析数据集中异常值的存在；二是通过逼近无异常值时的主成分来改进主成分计算。实验结果证实了该方法对合成数据集和真实数据集都很有用。

还有一些算法致力于获得人工神经网络的集成并将其融合成最终地图，以改进单一地图的结果。如基于欧几里得距离的融合和基于Voronoi多边形相似性的融合算法，分别用于数据分类和拓扑学习。同时，还提出了一种拓扑保持映射的融合算法——叠加法，它对集成中的每个地图进行更严格的训练，通过计算所有地图上每个位置的神经元权重质心来计算最终融合地图。其升级版加权投票叠加法（WeVoS）能生成更好的可视化结果，它基于对组成集成的地图进行性能或“质量”测量，为每个神经元分配与“质量”成比例的权重，还使用邻域函数进行融合，对数据集正确结构的可视化