Dmitry
2.5 KiB
2.5 KiB
status, type, tags, created, updated, aliases
| status | type | tags | created | updated | aliases | |
|---|---|---|---|---|---|---|
| seed | concept | 2025-12-17 | 2026-05-07 |
|
Алгоритм обучения сети Кохонена
- При инициализации всем весовым коэффициентам присваиваются небольшие случайные значения.
- На входы подается входной образ.
- Из всего выходного слоя выбирается нейрон-победитель, значения синапсов которого максимально подходят на входной образ.
- Для него осуществляется подстройка весов синапсов с применением формулы:
w_{ij}(t)=w_{ij}(t-1)+\alpha(x_{i}-w_{ij}(t-1)) - Цикл повторяется с шага 2, где попеременно предъявляются все образы из входного набора пока выходные значения сети не будут стабилизированы с заданной точностью.
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)
- 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}},гдеj- 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}=\frac{w_{ij}}{\sqrt{\sum\limits_{l=1}^{k}w_{lj}^{2}}}