Нейронные сети и нейроконтроллеры. Бураков М.В. - 196 стр.

UptoLike

ВУЗ: 

СПб ГУАП | Санкт-Петербург

Составители: 

Рубрика: 

196
7.2. Обучение сети Кохонена
Алгоритмы обучения сети Кохонена реализуют процесс обуче-
ния без учителя. При обучении n входных весов нейрона Кохоне-
на рассматриваются как вектор в n-мерном пространстве. До обу-
чения веса получают малые случайные значения. Затем каждый
n-мерный вектор нормализуется в вектор единичной длины (с тем
же направлением, что и исходный вектор).
При n = 2 все входные векторы можно изобразить на единичной
окружности, при n = 3 – на единичной сфере, а для n > 3 следует
рассматривать единичную гиперсферу.
Входные векторы обучающего набора также нормализуются,
после чего сеть обучается по следующему алгоритму:
1. Подается входной вектор X.
2. Определяется нейрон-победитель с номером j по формуле (7.2).
3. Происходит подстройка весов нейронов.
а) если обучается слой конкурирующих нейронов, то обучает-
ся один нейрон:
òò ò
1( ) () ( () ());
ii i
Wt Wt Xt Wtη+= + -
б) если обучается SOM, то происходит подстройка весов ней-
ронов Кохонена по формуле
òò ò
1( ) ( ) ( , )( ( ) ( )).
ii i
Wt Wt gijXt Wtη+= + -
Здесь η – коэффициент скорости обучения.
4. Предъявляется новый входной вектор X, и шаги 1–4 повторя-
ются.
Значение η должно постепенно уменьшаться.
В конце обучения влияние нейронов друг на друга может стать
таким малым, чтобы обучался всего один ИН, т. е. при подаче на
вход сети некоторого входного вектора будет возбуждаться только
один нейрон.
Каждый вес, связанный с выигравшим нейроном Кохонена, из-
меняется пропорционально разности между его величиной и вели-
чиной входа, к которому он присоединен. Для случая двух входов
это можно представить геометрически (рис. 7.6).
Если бы с каждым нейроном Кохонена ассоциировался только
один вектор, то слой Кохонена мог бы быть обучен путем простого
присвоения весам значений этого входного вектора. Но поскольку
обучение происходит по всем векторам, веса нейрона получают в

Страницы