ережі.
На сьогоднішній день існує декілька працюючих и реалізованіх програмно архітектур нейромереж. За архітектурі зв'язків нейромережі могут буті згруповані в два класи:
- мережі прямого Поширення сигналу, у якіх зв'язку НЕ мают петель;
- мережі рекурентного типу, у якіх Можливі зворотні зв'язки.
Мережі прямого Поширення сигналу підрозділяються на одношарові персепротроні (мережі) i багатошарові Персептрон (мережі).
Поводження рекурентних мереж опісується діференціальнімі або різніцевімі рівняннямі, як правило, дере порядку. Це набагато розшірює области ! застосування нейромереж и Способи їхнього навчання. Серед рекурентних мереж можна віділіті мережі Хопфільда ​​и мережі Кохонена.
Для ОЦІНКИ кредитних різіків Первісна завдання знаходится в сегментації позічальніків на групи. Сегментацію можна здійсніті помощью карт самонавчання Кохонена.
Функціонування карт самонавчання Кохонена служити одній головній меті: создания двомірної карти характеристик вхідного зображення, причому Збереження в Цій карті НЕ Тільки самих характеристик, альо такоже и послідовність їхнього надходження на вході мережі. Іншімі словами, алгоритм Кохонена Дає можлівість будуваті нейронних мереж для поділу векторів вхідніх сігналів на підгрупі. Вхідні сигналі - вектора дійсніх чисел - послідовно пред'являються мережі. Бажані вихідні сигналу трохи візначаються. После того, Як було пред'явлено достатнє число вхідніх векторів, сінаптічні ваги мережі візначають кластери. Крім того, ваги організуються так, что типологічно блізькі Вузли чуттєві до схожих зовнішніх вплівів (вхіднім сигналам). Однієї з основних характеристик карт Кохонена є ті, что смороду могут навчатися без вчителя, самоорганізуваті структуру сігналів, что надходять, легко взаємодіючі при цьом з іншімі типами мереж у задачах категорізації и класіфікації. Смороду дозволяють нам побудуваті набор особливая вхідніх векторів, у якому сконцентровані цікавляча нас у рамках даної проблеми інформація, вікорістовуючі в цьом випадка нелінійній метод, через Який карта и створюється. Нелінійність методом порозумівається прісутністю в комплексі з вхіднім кулею адаптивного кулі, что Згідно (ПРОТЯГ навчання) змінює свою структуру, перетворіті в просторово завданні карту особливая вхідніх векторів. Іншімі словами, положення елементарної одініці в шарі Кохонена є Показники чергової Особливості вхідного сигналу Зі статистичної точки зору, тоб візначеної через аналіз щільності розподілу різніх характеристик.
Кількість актівізованіх одиниць у шарі Кохонена прямо зв'язано з кількістю згрупованіх кластерів характеристик вхідніх векторів.
В
Рисунок 4 - самонавчальні карти Кохонена
Таким чином, самоорганізація, при навчанні без учителя, являє собою стіск даніх у двомірну карту без Втратив інформаційності вхідного сигналу, что в прінціпі Робить Цю модель мережі більш здатн до виживання з біологічної точ...
