From 8e14d5ee0da3224d8a30d427890ceeafdfd11a2a Mon Sep 17 00:00:00 2001 From: Dmitry Date: Thu, 7 May 2026 22:43:05 +0300 Subject: [PATCH] vault backup: 2026-05-07 22:43:05 --- 00 Inbox/Алгоритм обучения сети Кохонена.md | 9 ++++++++- 1 file changed, 8 insertions(+), 1 deletion(-) diff --git a/00 Inbox/Алгоритм обучения сети Кохонена.md b/00 Inbox/Алгоритм обучения сети Кохонена.md index 8722f61..807ac2c 100644 --- a/00 Inbox/Алгоритм обучения сети Кохонена.md +++ b/00 Inbox/Алгоритм обучения сети Кохонена.md @@ -18,4 +18,11 @@ title: Алгоритм обучения сети Кохонена ## Выбор нейрона-победителя - Расчет скалярного произведения вектор весовых коэффициентов с вектором входных значений (уровень входного возбуждения). Максимальное произведение дает выигравший нейрон. $$S_{j}=\sum\limits_{i=1}^{m}x_{i}w_{ij}=||x|| * ||w^{j}||*cos(\phi)$$ -- Расче \ No newline at end of file +- Расчет расстояния между этими векторами в $m$-мерном пространстве, где $m$-размер векторов. В данном случае, "побеждает" нейрон с наименьшим расстоянием. $$D_{j}=\sqrt{\sum\limits_{i=1}^{m}(x_{i}-w_{ij})^{2}},$$ +где +$j$ - индекс нейрона, $i$ - индекс входа, $w_{ij}$ - вес синапса. + +## Нормализация входных значений +При использовании обучения по алгоритму Кохонена на стадии инициализации существует практика нормализации: +- входных образов$$x_{j}=\frac{x_{j}}{\sqrt{\sum\limits_{l=1}^{m}x_{l}^{2}}}$$ +- начальных значений весовых коэффициентов$$w_{ij}=w_{ij}/\sqrt{\sum\limits_{l=1}^}$$ \ No newline at end of file