A Growing Neural Gas Network Lea

Time: 2021-03-15

GNG

• 理解矢量量化（https://blog.csdn.net/qq_16234613/article/details/79991191）

  • 概念：信号压缩方法：将若干个标量数据组构成一个矢量，然后在矢量空间给以整体量化，从而压缩了数据而不损失多少信息。

  • 难点：难点在于它要要解决一个多维积分（multi-dimensional integration）的问题

  • 例子：

    • 二维为例： image

      我们用蓝色实线将这张图划分为16个区域。任意的一对数（也就是横轴x和纵轴y组成的任意的一个坐标点(x, y)）都会落到上面这张图中的某一特定区域。然后它就会被该区域的红星的点近似。这里有16块不同区域，就是16个红星点。然后这16个值就可以用4位的二进制码来编码表示（2^4=16）。因此，这是个2-dimensional, 4-bit VQ，它的速率同样是2bits/dimension。上面这些红星点就是量化矢量，表示图中的任意一个点都可以量化为这16个矢量中的其中一个。

    • 设计问题（写出优化目标）

    • 优化准则

    • LBG算法（迭代）

• 论文阅读（A Growing Neural Gas Network Learns Topologies）、

  • 摘要

    • 输入：一组向量

    • 输出：向量的拓扑结构

    • 学习方式：类似于赫布理论的学习方式

  • 算法步骤

    • 0 初始化两个结点

    • 1 输入一个信号

    • 2 找到最近的结点k和次近的结点p

    • 3 最近结点的边的年龄增加1

    • 4 计算最近点k和输入信号的距离误差

    • 5 将结点k和k的邻居向输入信号的方向移动

    • 6 如果k，p有边，令边的年龄为0；没有边创建边

    • 7 删除超过年龄最大值的边；并且删除度为0的结点

    • 8 生成新的结点r

      • a 设置输入多少数据产生新的结点；找到累计误差最大的结点q

      • b 在结点q和q的邻居（f误差最大）插入一个结点r

      • c 创建新的结点，并且连接边，删除原来的边

      • d 减小结点q和f的误差（乘上参数）

    • 9 减小所有的结点误差（乘上参数）

    • 10 设置循环结束的条件可以是数据的轮数，也可是结点的大小

  • 模型的参数如下：

    • e_b=0.1, e_n=0.006, a_max=10, l=200, a=0.5, d=0.995, passes=8，num_node=100
      e_b表示获胜的神经元移动的学习率
      e_n表示获胜的神经元的邻居移动的学习率
      a_max表示神经元连接的年龄
      l表示什么时候增加新的units
      a减少误差变量
      d减小所有unit误差变量
      passes训练次数
      num_node网络结点的个数