22、无监督竞争学习与特征映射技术解析

无监督竞争学习与特征映射技术解析

1. 自主运行的网络特性

在无监督竞争学习中，存在一种网络，在共振发生后，获胜者的原型向量会与掩码输入相等。前向权重的学习规则稍复杂，会产生类似但归一化的结果。这种网络能完全自主运行，无需外部排序或控制信号，可稳定处理无限的输入数据流。它能快速访问已知类别，自动搜索未知类别，必要时创建新类别，且在容量耗尽时拒绝响应未知输入，其架构完全并行。

不过，ART1网络在实际应用中存在一些问题。它较难调整，对输入数据中的噪声非常敏感。若输入模式中随机位缺失，存储的原型向量会因单向掩码形式的自适应规则而逐渐退化。而且，其存储效率较低，每个类别需要一个单元和2N个可修改连接，A单元、R单元和侧向抑制还需要许多固定连接，同时它也存在大多数竞争学习方案常见的局限性。部分问题在ART2网络中得到了解决。

2. 特征映射的概念与类型

特征映射指将输入空间映射到输出单元的线或平面上，使获胜输出单元的位置传达信息，相邻输出对应相邻输入模式。技术上，这是一种拓扑保持映射，即保持邻域关系的映射，但并非所有空间对之间都能实现这种映射，例如不能将圆连续地映射到线上。

常见的特征映射有两种情况：
- 连续值输入 ：有少量连续值输入，如两个输入可从二维区域映射到输出空间，也可能是单个输入映射到线性输出阵列，或者三个输入在满足条件时拓扑映射到二维平面。
- 二维阵列输入 ：输入本身排列成二维阵列，定义输入空间。在最简单情况下，输入模式一次只有一个输入开启，问题是学习从输入空间到输出空间的连续映射。这种映射在生物大脑中频繁出现，如视网膜到视觉皮层的视