vault backup: 2026-05-07 23:13:06

.obsidian/workspace.json

@@ -257,9 +257,10 @@
   },
   "active": "cb9f1037ae0492db",
   "lastOpenFiles": [
+    "99 System/Archive/Идея сети кохонена.md",
+    "00 Inbox/Untitled.md",
     "99 System/Cache/Pasted image 20260507230701.png",
     "00 Inbox/Идея сети кохонена.md",
-    "00 Inbox/Untitled.md",
     "01 Library/11 Machine Learning/Backpropagation для сети с одним скрытым слоем.md",
     "01 Library/11 Machine Learning/Backpropagation для многослойной нейронной сети.md",
     "01 Library/11 Machine Learning/Обратное распространение ошибки - вывод.md",
@@ -301,7 +302,6 @@
     "99 System/Cache/generated-forest.png",
     "99 System/Cache/Pasted image 20260429091836.png",
     "99 System/Cache/Pasted image 20260429090930.png",
-    "99 System/Cache/Pasted image 20260429090816.png",
+    "99 System/Cache/Pasted image 20260429090816.png"
-    "99 System/Cache/Pasted image 20260429090719.png"
   ]
 }

00 Inbox/Идея сети кохонена.md

@@ -1,17 +0,0 @@
----
-status: seed
-type: concept
-tags: []
-created: 2025-12-17
-updated: 2026-05-07
-title:
----
-Закрепить за каждый классом объектов один нейрон 
-![[Pasted image 20260507230701.png]]
-
-Замечание 1
-Иногда слишком часто получающие аккредитацию нейроны принудительно исключаются из рассмотрения, чтобы "Уравнять права" всех нрейронов слоя
-Простейший вариант такого алгоритма в торможении только что выигравшего нейрона
-
-Замечание 2
-Размер окрестно

01 Library/11 Machine Learning/Нейронная сеть Кохонена.md

@@ -26,6 +26,12 @@ title: Нейронная сеть Кохонена
 
 В отличие от многих сетей, обучающихся с учителем, сеть Кохонена обычно работает в режиме самообучения: ей предъявляют входные объекты, а сеть постепенно настраивает веса нейронов так, чтобы разные области карты отвечали за разные группы похожих объектов.
 
+Интуитивно идею можно описать так: за каждым классом или группой похожих объектов закрепляется один нейрон либо группа близких нейронов. Нейрон хранит вектор весов, который постепенно становится представителем своего класса объектов.
+
+![[Pasted image 20260507230701.png]]
+
+Если один и тот же нейрон слишком часто становится победителем, его иногда временно исключают из рассмотрения или тормозят. Это помогает "уравнять права" нейронов выходного слоя и не дать одному прототипу забрать на себя слишком много объектов. Простейший вариант такого механизма - торможение только что выигравшего нейрона.
+
 ## Архитектура
 
 Сеть состоит из двух основных слоев:
@@ -46,6 +52,8 @@ title: Нейронная сеть Кохонена
 - веса самого нейрона-победителя;
 - веса нейронов, лежащих в его окрестности на карте.
 
+Размер окрестности $R$ и скорость обучения обычно задаются как функции времени: на первых итерациях они велики, а затем постепенно уменьшаются. В начале обучения может обновляться большая часть карты, поэтому формируется грубая структура кластеров. Ближе к концу обучения $R$ стремится к нулю, и карта уточняет границы между группами объектов.
+
 Подробная процедура вынесена в [[Алгоритм обучения сети Кохонена]].
 
 ## Связь с кластеризацией

99 System/Archive/Идея сети кохонена.md

@@ -0,0 +1,24 @@
+---
+status: seed
+type: concept
+tags: []
+created: 2025-12-17
+updated: 2026-05-07
+title: Идея сети кохонена
+---
+
+# Идея сети кохонена
+Закрепить за каждый классом объектов один нейрон 
+![[Pasted image 20260507230701.png]]
+
+Замечание 1
+Иногда слишком часто получающие аккредитацию нейроны принудительно исключаются из рассмотрения, чтобы "Уравнять права" всех нрейронов слоя
+Простейший вариант такого алгоритма в торможении только что выигравшего нейрона
+
+Замечание 2
+Размер окрестности и скорость обучения - суть функции, значения которых уменьшаются со временем.
+
+После выбора нейрона j с минимальным расстоянием Dj обучается
+не только этот нейрон, но и его соседи, расположенные в окрестности R.
+Величина R на первых итерациях очень большая, так что обучаются все нейроны, но с течением времени она уменьшается до нуля.
+Таким образом, чем ближе конец обучения, тем точнее определяется группа нейронов, отвечающих каждому классу образов.