номер і; - поточний вектор входів мережі; (і, c , t) - значення функції околиці для нейрона номер u в момент часу t;
?- Коефіцієнт швидкості навчання;
. Скорегувати матрицю ваг:
:=W -? W (3.6)
. Помітити елемент вхідної черги x як оброблений якщо в черзі залишаються не оброблені точки, то перехід на п.3, якщо критерій зупинки навчання не досягнуть то перехід на п.2
. Кінець.
В якості критеріїв зупину процесу навчання можна використовувати наступні:
Кількість повних циклів навчання обмежена константою, наприклад кількість циклів дорівнює кількості елементів у вхідному множині.
Вихід мережі стабілізується, тобто вхідні вектора не переходять між кластерними елементами.
Зміни ваг стають незначними.
3.4 Створення табличній моделі нейронної мережі Кохонена
Псевдокод алгоритму обучени?? штучної нейронної мережі Кохонена за допомогою клітинного автомата в cnt-ой ітерації має вигляд:
Змінні алгоритму:
//лічильник ітерацій//число нейронів у шарі Кохонена//число навчальних образів у вибірці//розмірність простору навчальних образів={x1 (k), x2 (k), ..., xD (k) }//вектор стану k-го навчального способу={w1 (i), w2 (i), ..., wD (i)}//вектор стану i-го нейрона//вектор прирощення стану i-го нейрона за епоху
Функції алгоритму: (i)//логічна функція, що повертає значення True, якщо//i - нейрон-переможець або пов'язаний з ним нейрон//оточення, інакше функція повертає значення False
Псевдокод алгоритму:
=ОСТАТ (cnt; smplNums)//поточна ітерація епохіi=1 to nNums
Процедура отримання координат k-ого навчального способу
//Знайти новий вектор стану i-го нейрона (i-ой осередку КА)
If fix Then=wistart=1 Then (ieCnt lt;=smplNums) amp; (ieCnt=0) Then=wi + IIF (IsWinner (i); dwi; 0)=wiIf=wiначIfIf
//Відстань між k-им навчальним чином і i-им нейроном
(3.7)
//Знайти нейрон-переможець rp=min (rki)
//відстань між k-им навчальним чином і нейроном -
//переможцем, p - порядковий номер нейрона-победітеляi=1 to nNums
Процедура обчислення компонент вектора прирощення dwi стану i-го нейрона за епоху
Книга Excel з табличній моделлю ІНС Кохонена, що реалізує цей алгоритм навчання, містить три робочих листа: Вибірки, Навчання й AuxData.
. 4.1 Робочий лист Вибірки
Робочий лист Вибірки містить набір тестових вибірок навчальних образів і елементи користувальницького інтерфейсу для активізації однієї з вибірок цього набору.
Необхідно зробити так, щоб в одній з комірок аркуша був випадаючий список з найменуваннями, при виборі з якого повинна відбуватися активація потрібної вибірки даних:
На робочому аркуші Вибірки рис.3.7 проводиться активація цікавить користувача нормованої вибірки навчальних образів з наявного набору вибірок.
Рис. 3.7. Робочий лист вибірки
Кожна вибірка може містити до 8000 навчальних образів у чотиривимірному просторі. Зауважимо, однак, що простим прирівнянням до нуля частині окремих координат навчальних образів користувач може визначати, як окремі випадки, вибірки навчальних образів і в просторах з одним, двома і трьома вимірами.
На робочому аркуші Вибірки використовуються наступні формули;
. [F3]:=СЧЁТЕСЛІ (dataType; 0) число навчальних образів
. [F4]:=СЧЁТЕСЛІ (dataType; 2) число виключених образів
. [F5]:=R [- 2] C + R [- 1] C всього образів в активній вибірці
. [E15: H15]:== МІН (зміщені (E $ 21; 0; 0; $ F $ 3; 1)) мінімальні координати образів активної вибірки
. [E16: H16]:=МАКС (зміщені (E $ 21; 0; 0; $ F $ 3; 1)) максимальні координати образів активної вибірки
. [E17: H17]:=ЕСЛИ (И (МІН (E21: E8020)=0; МАКС (E21: E8020)=0); 0; 1) прапор включення координати в простір активної вибірки
. [E18: H18]:=СРЗНАЧ (зміщені (E $ 21; 0; 0; $ F $ 3; 1)) середнє значення координат образів активної вибірки
. [I21:I8020}:=ЕСЛИ(Slct=1;P21;ЕСЛИ(Slct=2;X21;ЕСЛИ(Slct=3;AH21;ЕСЛИ(Slct=4;AP21;ЕСЛИ(Slct=5;AX21;BE21))))) нормований клас образів активної вибірки
. ...
