算法

常见的应用

特定的无监督式学习网络

无监督式学习网络(Unsupervised Learning Network)是人工智能网络的一种算法(algorithm)，其目的是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。

算法

无监督式学习网络的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 aj，输出层各节点的激发程度表示为 ai，从输入层各节点指向输出层各节点的网络路径值表示为 wij。输出层各节点间则为互相抑制，亦即wii 是一个对角线均为零，其余元素为-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 wij 的情况下，若欲使网络稳定的话，则输出层各节点激发程度 (ai) 应该形成何种型态？计算乃遵循下列公式：

步骤1:

步骤2:

重复此二步骤的 Δai 的更新，直到 Δai 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 ai 激发型态的话，则应该反映在 wij 的何种调整上，以便使得 aj 可以更直接透过 wij 来得到 ai？公式如下：Δwij = ai(aj − wij)

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 Δwij，然后全部加总后，更新到实际的 wij 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. 向度缩减 (dimensionality reduction)

特定的无监督式学习网络

1. 自我组织图像网络(Self-Organizing Map, SOM): 目的是产生一种地形组织(topographic organization)，地图上相近的地点代表有相似属性的输入。

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