Page 55 - 4524
P. 55

Вважається, що в мозку саме каскадні з'єднання модулів різ-
                            ної спеціалізації дозволяють виконувати необхідні обчислен-
                            ня.
                                  У процесі навчання мережі зустрічного поширення вхід-
                            ні вектори асоціюються з відповідними вихідними векторами
                            (двійковими  або  аналоговими).  Після  навчання  мережа  фор-
                            мує вихідні сигнали, що відповідають вхідним сигналам. Уза-
                            гальнююча здатність мережі дає можливість одержувати пра-
                            вильний  вихід,  якщо  вхідний  вектор  неповний  чи  спотворе-
                            ний.
                                  Навчання мережі
                                  Карта Кохонена класифікує вхідні вектори в групи схо-
                            жих. В результаті самонавчання прошарок здобуває здатність
                            розділяти несхожі вхідні вектори. Який саме нейрон буде ак-
                            тивуватися  при  пред'явленні  конкретного  вхідного  сигналу,
                            заздалегідь важко передбачити.
                                  При навчанні прошарку Кохонена на вхід подається вхі-
                            дний вектор і обчислюються його скалярні добутки з вектора-
                            ми ваг всіх нейронів.
                                  Скалярний добуток є мірою подібності між вхідним век-
                            тором і вектором ваг. Нейрон з максимальним значенням ска-
                            лярного добутку з'являється "переможцем" і його ваги підси-
                            люються (ваговий вектор наближається до вхідного).
                                                   w н=w c+r(x-w c),                   (5.14)
                                  де  w н  -  нове  значення  ваги, що  з'єднує  вхідний  компо-
                            нент x з нейроном-переможцем, w с - попереднє значення цієї
                            ваги, r - коефіцієнт швидкості навчання, що спочатку звичай-
                            но дорівнює 0.7 і може поступово зменшуватися в процесі на-
                            вчання. Це дозволяє робити великі початкові кроки для швид-
                            кого грубого навчання і менші кроки при підході до остаточ-
                            ної величини.
                                  Кожна вага, зв'язана з нейроном-переможцем Кохонена,
                            змінюється пропорційно різниці між його величиною і вели-
                            чиною входу, до якого він приєднаний. Напрямок зміни міні-
                            мізує  різницю  між  вагою  і  відповідним  елементом  вхідного
                            прошарку.
                                  Навчальна множина може містити багато подібних між
                            собою вхідних векторів, і мережа повинна бути навченою ак-
                            тивувати один нейрон Кохонена для кожного з них. Ваги цьо-


                                                           54
   50   51   52   53   54   55   56   57   58   59   60