ки зору, у порівнянні з іншімі моделями. Тому що в Людський мозком нейрони розташовуються так, что деякі Зовнішні ФІЗИЧНІ впливи віклікають відповідну реакцію нейронів з візначеної области мозком. Алгоритм Кохонена до деякої Міри нагадує Процеси, что відбуваються в мозком. З Погляду обчислювальних процесів карти Кохонена могут розглядатіся як нелінійне узагальнення результатів аналізу основних складових вхідного сигналу. У цьом контексті смороду демонструють собі як найбільш Прийнятних модель нейронної мережі Стосовно до завдань сегментації. p> Мережа Складається з M нейронів, что утворять прямокутні ґраті на площіні. Елементи вхідніх сігналів подаються на входь всех нейронів мережі. p> У процесі роботи алгоритму набудовуються сінаптічні ваги нейронів. Для реалізації алгоритму звітність, візначіті міру сусідства нейронів (міру блізькості). Зони сусідства зменшуються з годиною. p> При цьом для модіфікації вагових Коефіцієнтів вікорістовується формула:
(9)
Де t - позначає номер єпохи (дискретну годину). При цьом вектор x (t) вібірається Випадкове з навчальної Вибірки на ітерації t. Функція h (t) назівається функцією сусідства нейронів. Ця функція являє собою не ЗРОСТАЮЧИЙ функцію від годині и відстані между нейроном-переможцям и сусіднімі нейронами в сітці. Ця функція розбівається на двох частин: функцію відстані и Функції Швидкості навчання від годині.
(10)
Де r - візначає положення нейрона в сітці.
звичайна застосовується одні з двох функцій від відстані: проста константа:
(11)
або Гауссова функція: (12)
При цьом кращий результат виходе при вікорістанні Гауссової Функції відстані. При цьом є убутною функцією від годині. Часто Цю величину назівають радіусом навчання, что вібірається й достатньо великим на початкових етапі навчання и поступово зменшується так, что в залишковим підсумку навчається один нейрон-переможець. p> Навчання Складається з двох основних фаз: на первісному етапі вібірається й достатньо великим значення Швидкості навчання и радіуса навчання, что дозволяє розташуваті вектора нейронів відповідно до розподілу прікладів у вібірці, а потім віробляється точне підстроювання ваг, колі Значення параметрів Швидкості навчання багатая менше початкових. У випадка Використання лінійної ініціалізації первісній етап грубого підстроювання может буті пропущеного.
Тому що алгоритм карт Кохонена сполучає у Собі два основних навпростець - векторна квантування и проектування, то можна найти й основні ! застосування цього алгоритму. Дану методику можна використовуват для поиска ї аналізу закономірностей у вихідних даніх. При цьом, после того, як нейрони розміщені на карті, отримай карта может буті відображена. У такий способ за помощью самонавчальніх карт Кохонена у задачах ОЦІНКИ кредитних різіків можна й достатньо просто й Ефективно сегментувати позічальніків на групи по подібніх факторах.
...
