Page 50 - 4524
P. 50

w ij(t+1)=w ij(t)+r(t)(x i(t)-w ij(t)),       (5.13)
                                  де  r(t)  -  швидкість  навчання,  що  зменшується  з  часом
                            (додатне число, менше одиниці).
                                  6. Повернення до кроку 2.
                                  В алгоритмі використовується коефіцієнт швидкості на-
                            вчання, який поступово зменшується, для більш точної корек-
                            ції на новій епосі. В результаті позиція центру встановлюється
                            в певній позиції, яка задовільним чином кластеризує прикла-
                            ди, для яких даний нейрон є переможцем.
                                  Властивість топологічної впорядкованості досягається в
                            алгоритмі за допомогою використання поняття околу. Окіл -
                            це декілька нейронів, що оточують нейрон-переможець. Від-
                            повідно до швидкості навчання, розмір околу поступово зме-
                            ншується, так, що спочатку до нього належить досить велике
                            число нейронів (можливо вся карта), на самих останніх етапах
                            окіл стає нульовим і складається лише з нейрона-переможця.
                                  В алгоритмі навчання корекція застосовується не тільки
                            до нейрона-переможця, але і до всіх нейронів з його поточно-
                            го околу. В результаті такої зміни околу, початкові доволі ве-
                            ликі  ділянки  мережі  мігрують  в  бік  навчальних  прикладів.
                            Мережа формує грубу структуру топологічного порядку, при
                            якій  схожі  приклади  активують  групи  нейронів,  що  близько
                            знаходяться  на  топологічній  карті.  З  кожною  новою  епохою
                            швидкість навчання і розмір околу зменшуються, тим самим
                            всередині ділянок карти виявляються більш тонкі розходжен-
                            ня, що зрештою призводить до точнішого налаштування кож-
                            ного нейрона. Часто навчання зумисне розбивають на дві фа-
                            зи: більш коротку, з великою швидкістю навчання і великих
                            околів, і більш тривалу з малою швидкістю навчання і нульо-
                            вими або майже нульовими околами.
                                  Після того, як мережа навчена розпізнаванню структури
                            даних, її можна використовувати як засіб візуалізації при ана-
                            лізі даних.
                                  Області застосування. Кластерний аналіз, розпізнаван-
                            ня образів, класифікація.
                                  Недоліки. Мережа може бути використана для кластер-
                            ного аналізу тільки в тому випадку, якщо заздалегідь відоме
                            число кластерів.
                                  Переваги.  Мережа  Кохонена  здатна  функціонувати  в
                            умовах  перешкод,  тому  що  число  кластерів  фіксоване,  ваги

                                                           49
   45   46   47   48   49   50   51   52   53   54   55