- •Искусственный нейрон
- •Определение искусственной нейронной сети. Однослойный и многослойный персептроны.
- •Основные этапы нейросетевого анализа. Классификация известных нейросетевых структур по типу связей и типу обучения и их применение.
- •Обучение искусственных нейронных сетей
- •Цель обучения
- •Обучение с учителем
- •Обучение без учителя
- •Алгоритмы обучения
- •Сети Кохонена. Постановка задачи кластеризации. Алгоритм кластеризации.
- •Преобразование алгоритма кластеризации с целью реализации в нейросетевом базисе. Структура сети Кохонена.
- •Алгоритм обучения без учителя для сетей Кохонена. Обощенная процедура.
Преобразование алгоритма кластеризации с целью реализации в нейросетевом базисе. Структура сети Кохонена.
Определим количество входов и выходов в нейросети
Количество входов = количеству признаков одного объекта;
Входным вектором будет являться ;
Количество выходов это количество кластеров (К);
Преобразуем основной критерий:
С учетом знака “-” критерий D будет максимизироваться:
Псевдокод алгоритма:
Цикл 1: для p=1,n
Цикл 2: для l=1,k
Алгоритм обучения без учителя для сетей Кохонена. Обощенная процедура.
Обучение сети Кохонэна
Шаг1: инициализация весов (т.е. присваиваем начальные значения всем ).
Шаг2: подаем на вход вектор из обучающей выборки.
Шаг3: находится и максимальный , т.е. максимальный номер “победившего нейрона”.
Шаг 4: корректировка весов сети Кохонэна
Корректируются только веса нейрона-победителя по следующему правилу:
Где - желаемый, а - фактический.
- определяет скорость обучения.
Довольно распространено обучение с “расписанием”, где является функцией от времени и является монотонно убывающей.
Таким образом, вектор весов постепенно приближается к входному вектору. Сначала с большой скоростью, потом медленнее и останавливается тогда, когда веса перестают изменяться.