Page 51 - 4524
P. 51

модифікуються повільно, налаштування ваг закінчується після
                            навчання.
                                  Модифікації. Одна з модифікацій полягає в тому, що до
                            мережі  Кохонена  додається  мережа  MAXNET,  що  визначає
                            нейрон з найменшою відстанню до вхідного сигналу.

                                  5.8 Квантування навчального вектора (Learning Vec-
                            tor Quantization)

                                  Мережа запропонована Тойво Кохоненом у середині 80-
                            х рр., набагато пізніше за його початкову роботу по самоорга-
                            нізованим картам. Мережа базується на прошарку Кохонена,
                            який здатний до сортування прикладів у відповідні кластери і
                            використовується як для проблем класифікації, так і для клас-
                            теризації зображень.
                                  Мережа  містить  вхідний  прошарок,  самоорганізовану
                            карту  Кохонена  та  вихідний  прошарок.  Приклад  мережі  зо-
                            бражений на рис. 5.6. Вихідний прошарок має стільки нейро-
                            нів, скільки є відмінних категорій або класів. Карта Кохонена
                            має ряд нейронів, згрупованих для кожного з цих класів. Кіль-
                            кість елементів обробки на один клас залежить від складності
                            відношення "вхід-вихід". Звичайно, кожен клас буде мати од-
                            накову  кількість  елементів  по  всьому  прошарку.  Прошарок
                            Кохонена  навчається  класифікації  за  допомогою  навчальної
                            множини. Мережа використовує правила контрольованого на-
                            вчання.  Вхідний  прошарок  повинен  містити  лише один  ней-
                            рон для кожного окремого вхідного параметра.
                                  Квантування навчального вектора класифікує вхідні дані
                            у визначені групування, тобто відображає n-вимірний простір
                            у m-вимірний простір (бере n входів і створює m виходів). Ка-
                            рти зберігають відношення між близькими сусідами у навча-
                            льній множині так, що вхідні образи, які не були попередньо
                            вивчені, будуть розподілені за категоріями їх найближчих су-
                            сідів у навчальних даних.










                                                           50
   46   47   48   49   50   51   52   53   54   55   56