Нейросетевые модели для систем информационной безопасности. Брюхомицкий Ю.А. - 99 стр.

UptoLike

ВУЗ: 

ТТИ ЮФУ | Таганрог

Составители: 

Рубрика: 

99
другим нейронам. Этот алгоритм считается одним из наилучших и наиболее
быстрых в классе алгоритмов самоорганизации.
Алгоритм «Победитель получает больше» (Winner Takes Most − WTМ)
[15].
В слое самоорганизации кроме нейрона-победителя обучаются также
нейроны из его ближайшего окружения. При этом, чем дальше какой-либо
нейрон находится от победителя, тем меньше изменяются его веса.
Уравнение, описывающее самообучение слоя 1, имеет вид
)(),(
ccн
ikikikik
wxxkGww −⋅⋅η+=
, (9.5)
где k – номер нейрона в окрестности нейрона-победителя j;
η
k
– коэффициент скорости обучения k-нейрона;
G(k, x) − функция соседства.
В выражении (9.5) η
k
в общем случае есть функция, значения которой
уменьшаются с увеличением расстояния между k-нейроном и j-нейроном-
победителем, а также – с течением времени.
Если функция соседства G(k, x) в (9.5) определяется в форме
⎩
⎨
⎧
≠
=
=
,,0
;,1
),(
jkдля
jkдля
xkG
то получим классический алгоритм обучения (9.4).
Алгоритм нейронного газа
[15]. Наилучшая самоорганизация достигается
при использовании алгоритма нейронного газа. Для этого алгоритма функция
соседства выбирается в виде
,
)(
exp),(
⎟
⎠
⎞
⎜
⎝
⎛
λ
α
−=
k
xkG
(9.6)
где α(k) – номер позиции в очередности нейронов при их сортировке в
зависимости от степени удаленности d до вектора
Х:
d
0
< d
1
< d
2
< … < d
n-1
.
Степень удаленности d
0
соответствует нейрону-победителю;
λ - уровень соседства, измеряемый количеством нейронов от данного нейрона
до нейрона-победителя.
В начале обучения параметру λ приписываются большие значения,
постепенно снижая его до нуля. Снижение λ может быть линейным или
показательным. В одной из работ предложено изменять λ(k) так:

Страницы