и топологічної карти розташовуються в деякому просторі - як правило двовимірному (в пакеті ST Neural Networks реалізовані також одномірні мережі Кохонена).
Навчається мережу Кохонена методом послідовних наближень. Починаючи з випадковим чином вибраного вихідного розташування центрів, алгоритм поступово покращує його так, щоб вловлювати кластеризацию навчальних даних. В деякому відношенні ці дії схожі на алгоритми вибірки з вибірки і K-середніх, які використовуються для розміщення центрів в мережах RBF і GRNN, і дійсно, алгоритм Кохонена можна використовувати для розміщення центрів в мережах цих типів. Однак даний алгоритм працює на іншому рівні.
Крім того, що вже сказано, в результаті итеративной процедури навчання мережа організується таким чином, що елементи, відповідні центрам, розташованим близько один від одного в просторі входів, будуть розташовуватися близько один від одного і на топологічній карті. Топологічний шар мережі можна уявляти собі як двовимірну решітку, яку потрібно так відобразити в N-мірний простір входів, щоб по можливості зберегти вихідну структуру даних. Звичайно ж, при будь-якій спробі уявити N-мірний простір на площині будуть втрачені багато деталей; однак, такий прийом іноді корисний, оскільки він дозволяє користувачеві візуалізувати дані, які ніяким іншим способом зрозуміти неможливо.
Основний ітераційний алгоритм Кохонена послідовно проходить одну за одною ряд епох, при цьому на кожній епосі він обробляє кожен з навчальних прикладів, і потім застосовує наступний алгоритм:
Вибрати виграв нейрон (тобто той, який розташований найближче до вхідного наприклад);
Скорегувати виграв нейрон так, щоб він став більш схожий на цей вхідний приклад (взявши зважену суму колишнього центру нейрона і повчального прикладу).
В алгоритмі при обчисленні зваженої суми використовується поступово регресний коефіцієнт швидкості навчання, з тим, щоб на кожній новій епосі корекція ставала все більш тонкою. В результаті положення центру встановиться в деякій позиції, яка задовільним чином представляє ті спостереження, для яких даний нейрон виявився виграв.
Властивість топологічної впорядкованості досягається в алгоритмі за допомогою додаткового використання поняття околиці. Окіл - це декілька нейронів, що оточують виграв нейрон. Подібно швидкості навчання, розмір околу убуває з часом, так що спочатку до неї належить досить велике число нейронів (можливо, майже вся топологічна карта); на самих останніх етапах окіл стає нульовим (тобто складається тільки з самого виграв нейрона). Насправді в алгоритмі Кохонена коригування застосовується не тільки до виграв нейрону, але і до всіх нейронів з його поточного околу.
Результатом такої зміни околиць є те, що спочатку досить великі ділянки мережі перетягуються - І притому помітно - в бік навчальних прикладів. Мережа формує грубу структуру топологічного порядку, при якій схожі спостереження активують групи близько лежачих нейронів на топологічній карті. З кожною новою епохою швидкість навчання і розмір околу зменшуються, тим самим всередині ділянок карти виявляються все більш тонкі відмінності, що, врешті-решт, призводить до тонкої настройки кожного нейрона. Часто навчання зумисне розбивають на дві фази: більш коротку, з великою швидкістю навчання і великими околицями, і довшу з малою швидкістю навчання і нульовими або майже нульовими околицями.
Після того, як мережа навчена розпізнаванню структури даних, її можна використовувати як засіб візуалізації при аналізі даних. Можна також обробляти окремі спостереження і дивитися, як при цьому змінюється топологічна карта, - це дозволяє зрозуміти, чи мають кластери якийсь содержа?? Єльня сенс (як правило, при цьому доводиться повертатися до змістовного змістом задачі, щоб встановити, як співвідносяться один з одним кластери спостережень). Після того, як кластери виявлені, нейрони топологічної карти позначаються змістовними за змістом мітками (у деяких випадках позначені можуть бути і окремі спостереження). Після того, як топологічна карта в описаному тут вигляді побудована, на вхід мережі можна подавати нові спостереження. Якщо виграв при цьому нейрон був раніше позначений ім'ям класу, то мережа здійснює класифікацію. В іншому випадку вважається, що мережа не прийняла ніякого рішення.
При вирішенні задач класифікації в мережах Кохонена використовується так званий поріг доступу.
З огляду на те, що в такій мережі рівень активації нейрона є відстань від нього до вхідного прикладу, поріг доступу грає роль максимального відстані, на якій відбувається розпізнавання. Якщо рівень активації виграв нейрона перевищує це порогове значення, то мережа вважається не прийняла ніякого рішення. Тому, коли всі нейрони помічені, а пороги встан...