овлені на потрібному рівні, мережа Кохонена може служити як детектор нових явищ (вона повідомляє про неприйняття рішення тільки в тому випадку, якщо поданий їй на вхід випадок значно відрізняється від всіх радіальних елементів).
Ідея мережі Кохонена виникла за аналогією з деякими відомими властивостями людського мозку.
Кора головного мозку є великий плоский лист (площею близько 0.5 кв.м .; щоб поміститися в черепі, вона згорнута складками) з відомими топологічними властивостями (наприклад, ділянка, відповідальна за кисть руки, примикає до ділянці, відповідальному за руху всієї руки, і таким чином все зображення людського тіла безперервно відображається на цю двовимірну поверхню)
. 2 Алгоритм кластеризації даних
Навчання штучної нейронної мережі (ІНС) Кохонена відноситься до типу самонавчального змагання. При навчанні методом змагань нейрони змагаються між собою за право активації. Це явище, відоме як правило переможець забирає все (Winner Takes All - WTA), має нейрофизиологическую аналогію [23]. Підстроювання ваг зв'язків в алгоритмі WTA здійснюється не для всіх нейронів шару, а тільки для нейрона-переможця raquo ;, значення виходу якого в шарі нейронів виявляється максимальним. Головна проблема алгоритму самоорганізації WTA? наявність мертвих нейронів, які жодного разу не перемагають у конкурентній боротьбі. Для вирішення цієї проблеми застосовуються модифіковані методи й алгоритми самонавчання, що дають зазвичай кращі результати, ніж алгоритм WTA.
Алгоритм переможець справедливо отримує все (Conscience Winner Takes All? CWTA) є поліпшеною модифікацією алгоритму WTA. Він дозволяє враховувати кількість перемог і заохочувати нейрони з найменшою активністю для вирівнювання їх шансів на перемогу. Цей алгоритм вважається одним з кращих і швидких в класі алгоритмів самоорганізації. В алгоритмі переможець отримує більше (Winner Takes Most? WTМ) крім нейрона-переможця навчаються також нейрони з його найближчого оточення. При цьому чим далі якоїсь нейрон перебуває від переможця, тим менше змінюються його ваги. Цей метод виключає мертві нейрони і покращує розподіл щільності ваг. Існують і інші, більш витончені алгоритми навчання ІНС Кохонена.
Загальним недоліком розглянутих алгоритмів навчання нейронної мережі Кохонена є наявність в них великої кількості евристичних параметрів і штучність пропонованих рішень проблеми мертвих нейронів.
Метою дисертації є розробка нового детермінованого алгоритму навчання ІНС Кохонена з використанням безперервного клітинного автомата, що дозволяє усунути більшість перерахованих недоліків, і його практична реалізація в електронних таблицях.
Осередком клітинного автомата в нашому алгоритмі є один нейрон прошарку Кохонена, топологічно пов'язаний з чотирма (на кордоні - з двома або трьома) в оточенні фон Неймана або з вісьмома (на кордоні - з трьома або п'ятьма) в оточенні Мура найближчими сусідами двовимірної самоорганізується карти (мал. 3.2). Відповідно, клітинний автомат - це безліч взаємодіючих зі своїми сусідами нейронів шару Кохонена, поміщених в нормований простір навчальних образів.
Рис. 3.2. Топологія самоорганізується карти шару Кохонена для оточення фон Неймана
Стан осередку КА задається багатовимірним вектором, компоненти якого суть координати відповідного нейрона в просторі навчальних образів. Відповідно до принципу найближчого сусіда осередку КА (нейрони) є центрами околиць Вороного, на які, подібно багатовимірної мозаїці, ділиться весь простір навчальних образів [73].
Навчання мережі виконується в пакетному режимі, тобто КА переходить у новий стан один раз в кінці кожної епохи подачі навчальних образів. При цьому в ітераціях епохи виконується розрахунок майбутнього стану КА. Навчальні образи в ітераціях епохи можуть подаватися на входи нейронної мережі Кохонена в довільному порядку, наприклад, послідовно.
У ітераціях епохи будь-який внутрішній k-ий нейрон шару (рис. 3.2) змінює свій багатовимірний вектор стану в двох випадках:
) нейрон став переможцем;
) нейрон є найближчим сусідом іншого перемігшого нейрона.
Будемо вважати, що приріст компонент вектора стану k-го нейрона не залежить від причини (переміг він сам або переміг його сусід) цього збільшення. Тоді середнє сумарне збільшення i-ої компоненти вектора стану k-го нейрона за одну епоху в оточенні фон Неймана дорівнюватиме
(3.1)
де?- Швидкість навчання; k -номер нейрона-переможця; m={k - 1, k, k + 1, kL, k + L} - номери нейронів оточення k-го нейрона; L - ширина прямокутної самоорганізується ...