无监督式学习网路

无监督式学习网络(Unsupervised Learning Network)是人工智慧网络的一种演算法(algorithm)，其目的是去对原始资料进行分类，以便了解资料内部结构。有别于监督式学习网络，无监督式学习网络在学习时并不知道其分类结果是否正确，亦即没有受到监督式增强(告诉它何种学习是正确的)。其特点是仅对此种网络提供输入范例，而它会自动从这些范例中找出其潜在类别规则。当学习完毕并经测试后，也可以将之应用到新的案例上。

无监督式学习网络

演算法

无监督式学习网络的演算法一般仅涉及单一个核心模组，但重复多次计算而已。细节如下解释：

将输入层各节点的激发程度表示为 ${\displaystyle a_{j}}$，输出层各节点的激发程度表示为 ${\displaystyle a_{i}}$，从输入层各节点指向输出层各节点的网络路径值表示为 ${\displaystyle w_{ij}}$。输出层各节点间则为互相抑制，亦即${\displaystyle w_{ii}}$ 是一个对角线均为零，其馀元素为-1的矩阵。

核心模组的计算分为两部份：

第一部份是想知道，当基于目前 ${\displaystyle w_{ij}}$ 的情况下，若欲使网络稳定的话，则输出层各节点激发程度 (${\displaystyle a_{i}}$) 应该形成何种型态？计算乃遵循下列公式：

步骤1: ${\displaystyle netE_{i}={\frac {\sum _{j}w_{ij}a_{j}}{1+\sum _{j}w_{ij}}},netI_{i}=\sum _{i}w_{ii}a_{i}}$

步骤2: ${\displaystyle \Delta a_{i}=\tau \left[\gamma (1-a_{i})(netE_{i}+netI_{i})-\delta a_{i}\right]}$

重复此二步骤的 ${\displaystyle \Delta a_{i}}$ 的更新，直到 ${\displaystyle \Delta a_{i}}$ 低于某个临界值（如：0.001）

第二部份是想知道，若要得到刚才的 ${\displaystyle a_{i}}$ 激发型态的话，则应该反映在 ${\displaystyle w_{ij}}$ 的何种调整上，以便使得 ${\displaystyle a_{j}}$ 可以更直接透过 ${\displaystyle w_{ij}}$ 来得到 ${\displaystyle a_{i}}$？公式如下：${\displaystyle \Delta w_{ij}=a_{i}(a_{j}-w_{ij})}$

最后整体计算便将所有的输入资料分别透过上述的核心模组来得到 ${\displaystyle \Delta w_{ij}}$，然后全部加总后，更新到实际的 ${\displaystyle w_{ij}}$ 上头，并重复所有步骤若干次（如：50次）即可。

常见的应用

1. 聚类分析 （clustering analysis）

2. 降维 (dimensionality reduction)

特定的无监督式学习网络

1. 自组织对映 (Self-Organizing Map, SOM): SOM是由Kohonen于1982年所提出，目的在于用一个较低维度的拓扑图(topographic map)以视觉化(visualiztion)的方式说明高维度的资料情况。属于前馈式、无监督式学习网络，同时亦是竞争式学习网络。其特征能够在输入范例的学习过程中，产生自我组织性而需要依靠目标输出值修正误差，亦可展现输入范例的分布或相似性，具有将输入集合聚类到相似群组中的能力。

2. 适应性共振理论网络 (Adaptive Resonance Theory, ART; Carpenter & Grossberg, 1988)

相关条目

• 人工神经网络
• 监督式学习
• 监督式学习网络
• 非监督式学习
• 非监督式学习网络