1Прімер функціонування лінійної сетіdemolin2Обученіе лінійного нейронаdemolin3Обученіе лінійного слояdemolin4Задача лінійної апроксимації demolin5Задача з неповними данниміdemolin6Задача з лінійно залежними данниміdemolin7Оценка впливу параметра швидкості настройкіdemolin8Адаптіруемий лінійний слойapplin1 Завдання предсказаніяapplin2 Завдання адаптивного предсказаніяapplin3Ідентіфікація лінійної сістемиapplin4Адаптівная ідентифікація лінійної системи
3. Самоорганізуючі нейронні мережі
У процесі аналізу великих інформаційних масивів даних незмінно виникають завдання, пов'язані з дослідженням топологічної структури даних, їх об'єднанням в групи (кластери), розподілом по класах і т. п. Це можуть бути економічні, фінансові, науково-технічні, медичні та інші додатки, де потрібно рішення таких практичних завдань, як стиснення даних, їх зберігання та пошук, визначення характеристик об'єкта по обмеженому набору ознак. Такі завдання можуть бути успішно вирішені із застосуванням спеціального класу самоорганізованих нейронних мереж.
. 1 Нейронна мережа (Кохонена)
Нейронні мережі Кохонена - клас нейронних мереж, основним елементом яких є шар Кохонена. Шар Кохонена складається з адаптивних лінійних суматорів («лінійних формальних нейронів»). Як правило, вихідні сигнали шару Кохонена обробляються за правилом «переможець забирає все»: найбільший сигнал перетворюється в одиничний, решта звертаються в нуль.
За способами настройки вхідних ваг суматорів і по вирішуваним завданням розрізняють багато різновидів мереж Кохонена. Найбільш відомі з них:
· Мережі векторного квантування сигналів, тісно пов'язані з найпростішим базовим алгоритмом кластерного аналізу (метод динамічних ядер або K-середніх)
· Самоорганізуючі карти Кохонена (Self-Organising Maps, SOM)
· Мережі векторного квантування, яких навчають з учителем (Learning Vector Quantization)
Архітектура мережі
Рис. 2
Де: p -евклідово відстань (початкове значення), IW 11 - матриця ваг, n 1 - вхід функції активації, b - відстань вектора зсуву, a 1 -вектор виходу шару.
Нейронна мережа Кохонена в Matlab.
Для створення самоорганізованих нейронних мереж, що є шаром або картою Кохонена, призначені М-функції newc і newsom відповідно.
За командою help selforg можна одержати наступну інформацію про М-функціях, що входять до складу ППП Neural Network Toolbox і відносяться до побудови мереж Кохонена:
Таблиця 2
Self-organizing networksСамоорганізующіеся сетіNew networksФормірованіе сетіNewc newsom Створення шару Кохонена Створення карти КохоненаUsing networksРабота з сетьюSim init adapt train Моделювання Ініціалізація Адаптація Навчання Weight functionsФункціі відстані і взвешіваніяnegdist Негативне евклидово расстояніеNet input functionsФункціі накопленіяnetsum Сума зважених входовTransfer functionsФункціі актівацііcompet Конкуруюча функція актівацііTopology functionsФункціі опису топології сетіgridtop hextop randtop Прямокутна сітка Гексагональна сітка Сітка з випадково розподіленими узламіDistance functionsФункціі расстояніяdist boxdist mandist linkdist Евклідова відстань Відстань максимального координатного зміщення Відстань сумарного координатного зміщення Відстань связіInitialization functionsФункціі ініціалізації сетіinitlay initwb initcon midpoint Пошарова ініціалізація Ініціалізація ваг і зміщень Ініціалізація зміщень з урахуванням чутливості нейронів Ініціалізація ваг за правилом середньої точкіLearning functionsФункціі налаштування параметрів learnk learncon learnsom Правило налаштування ваг для шару Кохонена Правило настройки зміщень для шару Кохонена Правило налаштування ваг карти Кохонена Adapt functionsФункціі адаптацііadaptwb Адаптація ваг і смещенійTraining functionsФункціі обученіяtrainwb1 Повекторное навчання ваг і зміщень DemonstrationsДемонстраціонние прімериdemoc1 demosm1 demosm2 Налаштування шару Кохонена Одновимірна карта Кохонена Двовимірна карта Кохонена
. 2 LVQ-мережі
Мережі для класифікації вхідних векторів, або LVQ (Learning Vector Quantization) -мережі. Як правило, вони виконують і кластеризацію і класифікацію векторів входу. Ці мережі є розвитком самоорганізованих мереж Кохонена.
LVQ-мережа має 2 шари: конкуруючий і лінійний. Конкуруючий шар виконує кластеризацію векторів, а лінійний шар співвідносить кластери з цільовими класами, заданими користувачем
Архітектура мережі
Рис. 3
Нейронна мережа LVQ в Matlab.
