Page 49 - 4713

центрів, алгоритм поступово покращується для кластеризації
навчальних даних.

Алгоритм функціонування мережі Кохонена:
1. Ініціалізація мережі. Ваговим коефіцієнтам мережі
надаються малі випадкові значення.

2. Пред'явлення мережі нового вхідного сигналу.
3. Обчислення відстані до всіх нейронів мережі:
4. Вибір нейрона з найменшою відстанню:
*
5. Налаштування ваг нейрона j і його сусідів:
*
Робиться налаштування ваг для нейрона j і всіх нейронів з його
околу NE. Повернення до кроку 2.
В алгоритмі використовується коефіцієнт швидкості навчання,

який поступово зменшується, для тонкішої корекції на новій епосі. В
результаті позиція центру встановлюється в певній позиції, яка
задовільним чином кластеризує приклади, для яких даний нейрон є

переможцем.
Після того, як мережа навчена розпізнаванню структури даних,
її можна використовувати як засіб візуалізації при аналізі даних.
Області застосування. Кластерний аналіз, розпізнавання образів,

класифікація.
Недоліки. Мережа може бути використана для кластерного
аналізу тільки в тому випадку, якщо заздалегідь відоме число

кластерів.
Переваги. Мережа Кохонена здатна функціонувати в умовах
перешкод, тому що число кластерів фіксоване, ваги 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.

Контрольні запитання:
1. Які компоненти містить перцептрон Розенбалата?

2. Алгоритм навчання одношарового перцептрона.
3. Які компоненти містить нейромережа зворотного поширення
похибки?

4. Алгоритм навчання нейромережа зворотного поширення
похибки .
5. Які компоненти містить мережа Кохонена?
6. Алгоритм функціонування мережі Кохонена

49