/>
3.3 Блок схема нейронної мережі
Блок-схема є варіантом формалізованої запису алгоритму або процесу. Кожен крок алгоритму в даному поданні зображується у вигляді блоків різної форми, які з'єднані між собою лініями. У блок-схемі можна відобразити всі етапи рішення будь-якої задачі, починаючи з введення вихідних даних, обробки операторами, виконання циклічних і умовних функцій, і закінчуючи операціями виведення результуючих значень.
Фактично завдання полягає в тому, що на основі введених конфігурацій у вибірці для кожного символу виявити їх характерні ознаки і розпізнати клас представленого на упізнання символу. Завдання розпадається на наступні кроки:
. Завантаження вибірки векторів з вибірки даних;
. Введення довільного набору даних для подальшої кластеризації;
. Зчитування введених даних для розпізнавання з вибірки в програму;
. Перетворення даних з двійкового подання в табличний масив 0 і 1;
. Підрахунок конгруентної проміжної нейронної матриці;
. Підрахунок діверсівной проміжної нейронної матриці;
. Підрахунок пасивної проміжної нейронної матриці;
. Підрахунок підсумкової симбіозних нейронної матриці, заснованої на характеристиках матриць шарів;
. Виявлення характеристик симбіозних матриць і обчислення підсумкових значень на виходах;
. Виявлення найбільшого значення з виходів симбіозних матриць, визначення його коду і асоціювання з надійшли на вхід класом;
. Коригування суматорних матриці (без вчителя) у разі високої похибки;
. Перехід до кроку 2, поки величина похибки не задовольнятиме.
Блок схема відповідного алгоритму буде мати наступний вигляд:
Штучна самоорганізована нейро-матрична мережу (ІСНМС), побудована за такою схемою (рис. 3.5): на вхід нейронної мережі подаетсявиборка даних, вхід можна уявити, як матрицю рецепторів, а вибірка може бути представлена ??у вигляді послідовності 0 та 1, де 0 - незафарбовані осередку, а 1 - зафарбовані осередки. Інформація з матриці рецепторів подається, і трансформуються на другий рівень - клас нейронних матриць представників і критеріїв оцінок для кожного класу бази даних, після цього підраховуються проміжні ваги і застосовуються критерії відбору елементів, які також прописані в матричному вигляді - третій рівень.
Рис. 3.5 Умовний граф матричної нейронної самоорганізується мережі
Наступним етапом є зважування отриманих результатів за допомогою обчислення цільової функції кожної матричної схеми, враховуючи різні критерії. Після обчислення всіх ваг на останньому етапі проглядаються отримані результати, і найвищого значенням буде відповідати найбільш наближений клас. У створеній схемі використовується самоорганізація мережі, тобто після визначення класу відбувається перенастроювання ваг різних матриць критеріїв у циклі, таким чином, схема не є статичною, а є динамічно подстраиваемой і ефективно сходящейся.
На основі побудованої принципово нової штучної нейронної схеми з незалежними нейронами і застосування ймовірносно-статистичних аналізів були отримані високі результати розпізнавання. Даний граф показує структурну схему побудованої штучної самоорганізується нейронної мережі (ІСНС) для кластеризації даних.
Нижче наводиться більш деталізована блок-схема нейронної мережі.
Рис. 3.6. Блок схема роботи нейронної мережі
Алгоритм навчання мережі Кохонена виглядає наступним чином:
. Ініціювати матрицю ваг малими випадковими значеннями (на відрізку [- 1,1]).
. Побудувати чергу з елементів вхідного безлічі, розташувавши їх у випадковому порядку, помітити їх все як необроблені.
. Вибрати перший необроблений елемент x з черги.
. Для кожного виходу j обчислити відстань dj (1) між його вектором ваг wj і вхідним вектором x:
x) (3.3)
. Знайти номер вихідного нейрона jm з мінімальною відстанню dj:
(3.4)
. Обчислити зміну ваг? W={? Wu} для всіх нейронів u вихідного шару:
(3.5)
де c - номер (пара індексів) нейрона переможця jm в двовимірної решітці другого шару;
і - номер (пара індексів) нейрона з вектором ваг wu в двовимірної решітці другого шару; і - вектор вагових коефіцієнтів зв'язку вхідного шару і вихідного нейрона ...
