3.2.4 Процедури настроювання параметрів

Визначимо процес навчання карти Кохонена як процедуру настроювання ваг і швидкості навчання з метою зменшення помилки кластеризації, використовуючи деяке правило настроювання (навчання). Карта Кохонена призначена для кластеризації образів, тому відноситься до алгоритмів навчання без вчителя.

При навчанні без вчителя ваги змінюються тільки у зв'язку зі змінами входів мережі.

Правила настроювання

Настроювання параметрів (навчання) самоорганізованої карти Кохонена здійснюється з використанням навчальної множини. Позначимо через вектор входівмережі. Мета навчання - зменшити погрішність , де- погрішність кластеризації уj-ому кластері, - функція сусідства, яка задає міру впливу образу на формування j-ого кластера, - Евклідова відстань між та .

Навчання мережі Кохонена

Для пошуку нейрона-переможця, порівнюються зважені суми вхідних сигналів і вибирається нейрон з максимальним значенням функції

(6.1)

Досить корисною операцією попередньої обробки вхідних векторів є їх нормалізація

, i = 1,N (6.2)

Алгоритм навчання мережі Кохонена:

1. Ініціалізація.

2. Вибір навчального сигналу.

3. Аналіз відклику (вибір нейрону).

Визначається активований нейрон за формулою 6.1.

4. Процес навчання.

Приклад програми кластеризації:

%створення та ініціалізація нової структури даних

sD = som_data_struct([-2 100; -1 0; 0 0; 0.5 -100; 0.5 100]);

%створення, ініціалізація та навчання карти Кохонена

sM = som_make(sD);

%присвоєння позначок першим 12 векторам вагових коефіцієнтів карти

sM = som_label(sM, 'add', 1:12, ['a';'b';'c';'d';'e';'f';'g';'h';'i';'j';'k';'l']);

%присвоєння позначок вхідним образам на основі голосування

%між векторами вагових коефіцієнтів карти

sD = som_autolabel(sD, sM, 'vote');

%візуалізація вхідних даних

som_grid('rect', [5 1], 'Line', 'none', 'Coord', sD.data, 'Label', sD.labels, 'labelColor', 'k', 'marker', 'x', 'markerColor' , 'b');

%утримання поточного графіку

hold on

%візуалізація карти

som_grid(sM,'Coord',sM.codebook, 'MarkerColor','y', 'marker', 'o', 'Label',sM.labels,'LabelColor','k');

1.3 Порядок виконання роботи

1. Створити та ініціалізувати структуру даних відповідно до обраного варіанту завдання;

2. Провести моделювання самоорганізованої карти Кохонена;

3. Провести кластеризацію векторів (варіант завдання відповідно до таблиці 6.1) за допомогою самоорганізованої карти.

4. Візуалізувати результати кластеризації (навчальні образи та карту Кохонена у вигляді решітки).

5. Занести результати у звіт.

Таблиця 3.1 - Варіанти завдання

№ варіанта	Координати точок
	(-2;100), (-1;0), (0;0), (0.5;-100), (0.5;100)
	(-1;-100), (0.5;0), (0;0), (1;100)
	(-0.5;-100), (-1;0), (-1.5;150), (0;0), (0.5;-100)
	(1;-100), (-1;-100), (0.5;0), (-1.5;100)
	(0;-200), (0;-100), (0.5;-50), (-1;-100), (-0.5;1)
	(-0.5;-50), (-1;0), (0;50), (0.5;100)
	(0;50), (-1;0), (0.5;-100), (-1.5;150), (0.5;0)
	(0;0), (0.5; 50), (-0.5;-50), (-1;-100)
	(-1;-50), (-0.5;0), (0;0), (0.5;50), (1;100)
	(0;-100), (-0.5;0), (0;100), (1;100)
	(1;50), (0.5;100), (-0.5;0), (-0.5;100), (-1;50)
	(0;0), (0.5;100), (-0.5;-100), (-1;-50)
	(0.5;0), (0;100), (-0.5;-50), (-1;0), (-0.5;100)
	(0;50), (0;-50), (-1;50), (-1;-50)
	(0.5;50), (0.5;-100), (-0.5;50), (0;0), (0;100)

6. Нормалізувати дані.

7. Провести моделювання самоорганізованої карти Кохонена та кластеризацію векторів образів (для нормалізованих даних).

8. Візуалізувати результати кластеризації (навчальні образи та карту Кохонена у вигляді решітки).

9. Результати занести у звіт.