Professional Documents
Culture Documents
ЛЕК 5
ЛЕК 5
ЛЕК 5
Мережі зустрічного
поширення( кластеризації та
класифікації даних, або мережі ,
що самоорганізуються).
1
План
1. Поняття Нейронних мереж , що самоорганізуються
2
мереж , що
1. Поняття Нейронних
самоорганізуються
3
Нейронні мережі мережі , що
самоорганізуються
Мережа розроблена Тойво Кохоненом на
початку 1980-х рр. і принципово відрізняється
від розглянутих вище мереж, оскільки
використовує неконтрольоване навчання і
7
Типи Нейронних мереж
КОХОНЕНА
Мережі Кохонена:
З нейронами , які невпорядковано - часто називають шарами ( рос.
Слоями) Кохонена
З нейронами , які впорядковано -часто називають картами Кохонена.
Вхід
Прошарок Кохонена функціонує за принципом "переможець забирає все", тобто для
даного вхідного вектора один і тільки один нейрон Кохонена видає на виході логічну
одиницю, всі інші видають нуль
Нейрони Кохонена можна
сприймати як набір електричних лампочок,
так що для будь-якого вхідного
вектора загоряється одна з них.
3. Шар (прошарок ) Кохонена.
Архітектура . Конкуруюча функція
активації.
11
Шар (прошарок ) Кохонена.
Архітектура .
. Ndist -блок
визначення від‖ємної
Евклідової відстані
між вектором входу P
і рядками матриці ваг IW
C- конкуруюча
функція активації
Принцип конкуруючої Функції активації.
Вхід функції
активації – результат
сумування обчисленої
відстані з вектором
зміщення
15
Мережа Кохонена .
Принципи навчання.
Мережа Кохонена навчається методом послідовних наближень
(найпростіший алгоритм).
Починаючи з випадковим чином обраного вихідного
розташування центрів, алгоритм поступово покращується
для кластеризації навчальних даних.
Основний ітераційний алгоритм Кохонена послідовно
проходить ряд епох, на кожній епосі опрацьовується один
навчальний приклад.
Вхідні сигнали - вектори дійсних чисел - послідовно
пред'являються мережі.
Бажані вихідні сигнали не визначаються
19
Алгоритм функціювання Мережі Кохонена
Навчання методом послідовних наближень.
1.Ініціалізація мережі. Ваговим коефіцієнтам мережі надаються малі
випадкові значення. Початкова зона сусідства –див слайд вище.
2.Пред'явлення мережі нового вхідного сигналу.
3.Обчислення відстані до всіх нейронів мережі: Відстані dj від вхідного
сигналу до кожного нейрона j визначаються за формулою:
23
Навчання Мереж Кохонена.
Можливості Методу опуклої
комбінації
Для того щоб, рівномірно розподілити щільність
ядер класів (векторів вагів ) у відповідності с з
щільністю вхідних векторів в просторі входів X,
використовують метод опуклої комбінації .
b c
а
28
Реалізація Мережі
Кохонена в Matlab.
Створення
NEWC - M-функція Створення шару Кохонена
net=newc([0 1; 0 1],2);
Gensim(net);
1 TDL weight
p{1} Delays 1 IW{1,1} C 1
b{1}
Реалізація Мережі
Кохонена в Matlab.
Навчання
Або
Adapt : Train:
net.adaptParam.passes=10;
[net,y,e]=adapt(net,mat2cell(p)); net.trainParam.epochs=10;
net=train(net,p);
(1,1) 1
(1,2) 1
(1,3) 1
(1,4) 1
ac=vec2ind(a)
ac =
1 1 1 1
a=
(2,1) 1
(2,2) 1
(2,3) 1
(2,4) 1
>> ac=vec2ind(a)
ac =
2 2 2 2
a=sim(net,p);
ac=vec2ind(a)
ac =
1 2 2 2 2 2 2 2 2 2 2 2 2