【自组织网络讲义2PPT】主要讲解了自组织网络的原理模型，特别是其中的对偶传播神经网络（Counter-Propagation Network，简称CPN）。自组织网络是一种能够自我调整和学习的神经网络模型，其特点在于网络结构的自我组织能力，能够通过学习过程形成对输入数据的层次化表示。
在CPN网络中，主要有三个关键层：输入层、竞争层和输出层。输入层接收原始数据，竞争层负责模式竞争，输出层则产生最终的分类或预测结果。网络的运行原理可以分为两个阶段：
1. 第一阶段是竞争学习，用于训练输入层到竞争层的内星权向量。这一阶段中，所有的内星权向量被初始化为0到1之间的随机值并归一化。每次输入一个模式，计算每个竞争神经元的净输入，然后确定竞争获胜的神经元。获胜神经元的内星权向量根据一定的规则进行调整，调整后再次归一化，这个过程持续直到网络稳定，即所有模式的分类误差下降到零。
2. 第二阶段是外星学习，训练竞争层到输出层的外星权向量。在这个阶段，输入模式对（输入模式及其期望输出），计算每个输出神经元的净输入，确定获胜神经元。接着，调整外星权向量以优化网络的输出。这一过程同样持续到网络收敛，即误差下降至零。
学习算法的调整规则如下：
- 对于内星权向量的调整，通常采用Hebbian学习规则，即获胜神经元的权向量朝着输入向量方向微调。
- 对于外星权向量的调整，使用反向传播策略，使得输出层的误差通过逆向传播到竞争层，进而调整外星权向量，使网络的输出更接近期望输出。
在实际应用中，对偶传播神经网络CPN常用于数据分类、模式识别和聚类等任务。例如，在一个双获胜节点的示例中，CPN网络可以接收不同的输入模式，并根据期望输出进行学习，从而实现对输入模式的正确分类。
总结来说，自组织网络中的对偶传播神经网络模型通过两阶段的学习过程，即竞争学习和外星学习，实现了网络权重的自动调整和优化，以适应不同任务的需求。这种网络模型在处理复杂数据时具有较强的自适应性和泛化能力，是神经网络领域中的一个重要研究方向。
