Page 31 - 4143

розповсюдження, обумовлено тим, що настроюванні значення

синапсів фактично не обмежені.

На другому кроці циклу поперемінно пред'являються всі образи з
вхідного набору.
Слід зазначити, що вид відгуків на кожний клас вхідних образів не

відомий наперед і буде довільним поєднанням станів нейронів
вихідного шару, обумовленим випадковим розподілом вагових
коефіцієнтів на стадії ініціалізації. Разом з тим, мережа здатна
узагальнювати схожі образи, відносячи їх до одного класу.

Тестування навченої мережі дозволяє визначити топологію класів у
вихідному шарі. Для приведення відгуків навченої мережі до
зручного уявлення мережа може бути доповнена ще одним шаром,

який в процесі навчання за алгоритмом одношарового перцептрона
[32] дозволяє відображати вихідні реакції мережі в необхідному
вигляді.
Інший алгоритм навчання без вчителя - алгоритм Кохонена -

передбачає настроювання синапсів на підставі їх значень після
попередньої ітерації.

w (t)= w (t - 1)+α [ y i (n-1) (t) – w (t - 1)] . (1.41)
ij
ij
ij
З наведеної формули видно, що навчання зводиться до мінімізації
різниці між вхідними сигналами нейрона, що поступають з виходів
(n-1)
нейронів попереднього шару y i , і ваговими коефіцієнтами його
синапсів.
Повний алгоритм навчання має приблизно таку ж структуру, як в

методах Хебба, але на третьому кроці зі всього шару вибирається
нейрон, значення синапсів якого максимально схожі на вхідний
образ, і настроювання ваг по формулі (3.18) проводиться тільки для

нього. Ця, так звана, акредитація може супроводжуватися
загальмовуванням всієї решти нейронів шару і введенням вибраного
нейрона в насичення. Вибір такого нейрона може здійснюватися,
наприклад, розрахунком скалярного добутку вектора вагових

коефіцієнтів з вектором вхідних значень. Максимальний добуток дає
той, нейрон що виграв.
Інший варіант - розрахунок відстані між цими векторами в р-

мірному просторі
p 1 (n  )1

D   (y i - w ij 2 ) , (1.42)
i 0
31