ada/SecondBrain
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

vault backup: 2026-05-07 22:43:05

Browse Source
This commit is contained in:
Dmitry
2026-05-07 22:43:05 +03:00
parent 90fa1b1f46
commit 8e14d5ee0d
1 changed files with 8 additions and 1 deletions
Download Patch File Download Diff File Expand all files Collapse all files
00 Inbox/Алгоритм обучения сети Кохонена.md
+8 -1
View File
@@ -18,4 +18,11 @@ title: Алгоритм обучения сети Кохонена
## Выбор нейрона-победителя ## Выбор нейрона-победителя
- Расчет скалярного произведения вектор весовых коэффициентов с вектором входных значений (уровень входного возбуждения). Максимальное произведение дает выигравший нейрон. - Расчет скалярного произведения вектор весовых коэффициентов с вектором входных значений (уровень входного возбуждения). Максимальное произведение дает выигравший нейрон.
$$S_{j}=\sum\limits_{i=1}^{m}x_{i}w_{ij}=||x|| * ||w^{j}||*cos(\phi)$$ $$S_{j}=\sum\limits_{i=1}^{m}x_{i}w_{ij}=||x|| * ||w^{j}||*cos(\phi)$$
- Расче - 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$$w_{ij}=w_{ij}/\sqrt{\sum\limits_{l=1}^}$$