Page 162 - 4196

W   t  W t    y  n  1  W t   1  .
 1
ij ij  i ij 
Повний алгоритм навчання Кохонена має таку саму
структуру, як в алгоритмах Хебба за виключенням кроку
3, де корекція ваг виконується тільки для одного нейро-
ну, ваговий вектор котрого найбільш подібний до векто-
ру вхідних даних. Вибір такого нейрону здійснюється,
наприклад, за максимумом скалярного добутку вектора
вагових коефіцієнтів і вектора вхідних даних або розра-
ховується відстань D між цими векторами в p - вимір-
j
ному просторі, де p - розмірність векторів:
p 1  2
D j   y  1n  W ij  ,
i
i 0
n  1
 1
де j- індекс нейрона n -го шару; y - виходи n  -го
i
шару; W - вага зв’язків n  -го та n -го шарів.
 1
ij
Після вибору нейрону з мінімальним D (виграш-
ний нейрон) до навчання в наступних ітераціях долуча-
ються сусідні нейрони в околиці R . Величина R , споча-
тку велика, із збільшення тривалості навчання зменшу-
ється до нуля. В результаті такого навчання визначають-
ся групи нейронів, які відповідають кластерам вихідних
даних.
На основі цього алгоритму навчання будуються
спеціальні нейронні мережі – само організуючі карти
(SOM) Кохонена.
Базовий ітераційний алгоритм Кохонена складаєть-
ся із кількох послідовних епох, на кожній з яких необхід-
но обробити окремий навчальний приклад і виконати
певний набір операцій:
1 Вибрати виграшний нейрон (який знаходиться
ближче всього до вхідного прикладу).
2 Скоректувати виграшний нейрон так, щоби він
став більш подібним до вхідного прикладу, обчисливши
зважену суму  W i X .
i
В алгоритмі при обчисленні зваженої суми викори-
стовують спадний коефіцієнт швидкості навчання, який

162