Page 56 - 4524
P. 56

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
   51   52   53   54   55   56   57   58   59   60   61