Page 56 - 4524

го нейрона уявляють собою усереднення вхідних векторів, що
його активують.
Виходи прошарку Кохонена подаються на входи нейро-
нів прошарку Гросберга. Входи нейронів обчислюються як
зважена сума виходів прошарку Кохонена. Кожна вага корек-
тується лише в тому випадку, якщо вона з'єднана з нейроном
Кохонена, який має ненульовий вихід. Величина корекції ваги
пропорційна різниці між вагою і необхідним виходом нейрона
Гросберга. Навчання прошарку Гросберга - це навчання "з
вчителем", алгоритм використовує задані бажані виходи.
Функціонування мережі
У своїй найпростішій формі прошарок Кохонена функ-
ціонує за правилом "переможець отримує все". Для даного
вхідного вектора один і тільки один нейрон Кохонена видає
логічну одиницю, всі інші видають нуль.
Прошарок Гросберга функціонує в схожій манері. Його
вихід є зваженою сумою виходів прошарку Кохонена.
Якщо прошарок Кохонена функціонує таким чином, що
лише один вихід дорівнює одиниці, а інші дорівнюють нулю,
то кожен нейрон прошарку Гросберга видає величину ваги,
що зв'язує цей нейрон з єдиним нейроном Кохонена, чий вихід
відмінний від нуля.
У повній моделі мережі зустрічного поширення є мож-
ливість одержувати вихідні сигнали по вхідним і навпаки.
Цим двом діям відповідають пряме і зворотне поширення сиг-
налів.
Області застосування. Розпізнавання образів, віднов-
лення образів (асоціативна пам'ять), стиснення даних (із втра-
тами).
Недоліки. Мережа не дає можливості будувати точні ап-
роксимації (точні відображення). У цьому мережа значно
уступає мережам зі зворотним поширенням похибки. До не-
доліків моделі також варто віднести слабкий теоретичний ба-
зис модифікацій мережі зустрічного поширення.
Переваги:
 Мережа зустрічного поширення проста. Вона дає мож-
ливість витягати статистичні властивості з множини вхідних
сигналів. Кохонен довів, що для навченої мережі Ймовірність
того, що випадково обраний вхідний вектор буде найближчим

55