Abstract
近年來，許多科學家藉著模擬人類的思考學習模式而發明出多種的學習演 算法，即所謂的類神經網路。它具有直接從資料學習而解決煩雜問題的能 力，已被廣泛的應用於控制、分類以及最佳化等的領域上。類神經網路是 由多個神經元及神經元間之連結所組成，經由適當地調整這些連結的強度 來達成學習的目地，而調整連結的方法即是網路的學習法則。學習向量量 化網路為類神經網路之一種，由 Kohonen 先生所提出，是屬於監督式的 學習網路，極適合應用於分類辨識之上。然而，在傳統網路中，加權數的 起始位置嚴重的影響到網路的辨識效果以及每個種類的加權數數目也影響 到網路的執行效率。針對此問題，本篇論文提出一個改進式的演算法。它 能在網路的學習過程中根據各個種類的需要而適時的產生或去除加權數。 藉著此種技巧使得改進式網路能消除多餘的加權數並讓各個種類被適當的 代表。此外，由於改進式網路的學習速率是依據加權數的更改次數而定， 因此使得它具有較高的強健性。最後，由實驗結果可以發現改進式的學習 向量量化演算法能有效的解決傳統網路所產生的問題。本篇論文共分五章 ；第一章為簡介；第二章對學習向量量化網路做一回顧且指出其可能發生 的一些問題；第三章提出一改進式的學習網路；第四章藉著實驗結果來比 較兩個網路的辨識效果；最後在第五章做一總結並指出未來的發展方向。 In this thesis, A new clustering neural network for learning vector quantization is investigated. First, conven- tional learning vector quantization algorithms (LVQ) suffer from two drawbacks, i.e., dead units and clusters, as a re- sult of improper choices of initial weights. In order to solve these problems, a robust learning vector quantization algorithm (RLVQ) is proposed. It can generate and eliminate learning weights according to the requirement of the clus- ters of data set during the learning process. Moreover, by adopting different gains, the property of robustness can be possessed in RLVQ. Finally, numerical results indicate that all the aforementioned problems of LVQ can be overcome by RLVQ.