Введенную Кохоненом "самоорганизующуюся карту признаков" можно рассматривать как вариант нейронной сети. Сеть такого типа рассчитана на самостоятельное обучечие: во время обучения сообщать ей правильные ответы необязательно. В процессе обучения на вход сети подаются различные образны. Он. улавливает особенности их структуры и разделяет образцы на кластеры, а уже обученная сеть относит каждый вновь поступающий пример к одному из кластеров, руководствуясь некоторым критерием «близости».
Сеть состоит из одного входного и одною выходного слоя. Количество элементов и выходном слое непосредственно определяет, сколько различных кластеров сеть сможет распознать. Каждый из выходных элементов получает на вход весь входной вектор. Как и во всякой нейронной сети, каждой связи приписан некоторый синоптический вес. В большинстве случаев каждый выходной элемент соединен также со своими соседями. Эти внутрислойные, связи играют важную роль в процессе обучения, так как корректировка весов происходит только в окрестности того элемента, которым наилучшим образом откликается на очередной вход.
|
Выходные элементы соревнуются между собой за право вступить в действие и "получить урок". Выигрывает тот из них, чей вектор весов окажется ближе всех к входному вектору в смысле расстояния, определяемого, например, евклидовой метрикой. У элемента-победителя это расстояние будет меньше, чем у всех остальных. На текущем шаге обучения менять веса разрешается только элементу-победителю {и, может быть, его непосредственным соседям); веса остальных Элементов при этом как бы заморожены. Выигравший элемент изменяет свой весовой вектор, немного перемещая его в сторону исходного. После обучении на достаточном количестве примеров совокупность весовых векторов с большой точностью приходит в соответствие со структурой входных примеров векторы весов в буквальном смысле моделируют распределение входных образцов.
Очевидно, для правильного понимания сетью входною распределения нужно, чтобы каждый элемент сети становился победителем одинаковое число раз - весовые векторы должны быть равновероятными. Как установил Де Снепо, для этого необходимо присутствие некоторого механизма "справедливости". Один из возможных способов осуществления этого механизма следующий: в расстояние между входным и весовым вектором вносится некоторая добавка, положительная для тех элементов, которые часто выигрывают, и отрицательная для тех, которые чаще проигрывают. Таким образом, шансы проигрывающих повышаются, и вся картина выравнивается. Величина добавки меняется в процессе обучения в соответствии с изменениями частоты выигрышей.
Перед началом работы сети Кохонена нужно сделать две вещи:
• векторы весов должны быть случайно распределены по единичной сфере,
• все весовые и входные векторы должны быть нормированы на единицу.
|