Для поиска темы - пользуйтесь СИСТЕМОЙ ПОИСКА


Стоимость дипломной работы


Home Материалы для работы Самоорганізовані Карти Кохонена

Самоорганізовані Карти Кохонена
загрузка...
Рейтинг пользователей: / 1
ХудшийЛучший 

Самоорганізовані Карти Кохонена

Карти (Self-Organizing Maps, SOM), що самоорганізовуються, - один з різновидів нейромережевих алгоритмів. Нейроні мережі даного типу часто застосовуються для вирішення самих різних задач, від відновлення пропусків в даних до аналізу, і все того ж пошуку закономірностей.
Важлива відмінність SOM полягає в більшій предметності і зручності використання. Якщо вхідні дані є складною структурою, то розібратися в ній, а вже тим більш знайти взаємозв'язок між різними елементами, не завжди представляється можливим. Застосувавши алгоритм, запропонований фінським ученим Тейво Кохоненом, можна  спростити багатовимірну структуру, яку, через обмеженість нашої свідомості, ми і представити не в силах. Отже, SOM можна вважати одним з методів проектування багатовимірного простору в простір з більш низькою розмірністю. Звичайно, це двовимірна карта, легко уявна на моніторі, що має кольорове розфарбовування. Інтенсивність кольору в певній точці залежить від даних, які туди потрапили: осередки, в які потрапили елементи з мінімальними значеннями або не потрапило взагалі жодному запису, будуть зображені синім кольором, а осередки з максимальними значеннями будуть забарвлені в червоний.
Інша відмінність, що робить мережа Кохонена - принципово інший підхід до навчання: тоді як вся решта мереж призначена для задач з керованим процесом навчання, мережі Кохонена головним чином розраховані на некеровані процедури. При керованому навчанні спостереження, навчальні дані, разом з вхідними змінними містять також і відповідні ним вихідні значення, і мережа повинна відновити відображення, що переводить перші в другі. У випадку ж некерованого навчання, навчальні дані містять тільки значення вхідних змінних. На перший погляд це здається дивним. Як мережа може чомусь навчитися, не маючи вихідних значень? Відповідь полягає у тому, що мережа Кохонена вчиться розуміти саму структуру даних. Саме тому даний тип нейромереж успішно справляється із задачами класифікації.
В результаті процедури навчання мережа організовується таким чином, що елементи, відповідні центрам, розташованим близько один від одного в просторі входів, будуть розташовуватися близько один від одного і на топологічній карті. Взагалі ж ідея мережі Кохонена виникла по аналогії з відомою властивістю людського мозку: кора головного мозку є великим плоским листом площею близько 0,5 кв. м. (зрозуміло, в черепі вона згорнута складками), на який безперервно проектується зображення всього людського тіла. Наприклад, ділянка, відповідальна за кисть руки, знаходиться біля ділянки, що відповідає за рух всієї руки і т.д.
Карти, що самоорганізовуються, можуть використо-вуватися для вирішення таких задач як моделювання, прогнозування, пошук закономерностей у великих масивах даних, виявлення наборів незалежних ознак і стиснення інформації.
Алгоритм функціонування карт, що самоорга-нізовуються, є одним з варіантів кластеризації багатовимірних векторів - алгоритм проектування із збереженням топологічної подібності. Прикладом таких алгоритмів може служити алгоритм k-ближніх середніх (с-means). Важливою відмінністю алгоритму SOM є те, що в ньому всі нейрони (вузли, центри класів) впорядковані в деяку структуру (звичайно двовимірну сітку). При цьому, в ході навчання модифікується не тільки нейрон-переможець, але і його сусіди, хоча і у меншій мірі. При використовуванні цього алгоритму, вектора, близькі в початковому просторі, виявляються поряд і на отриманій карті.
SOM має на увазі використання впорядкованої структури нейронів. Звичайно використовуються одно- і двовимірні мережі. При цьому кожний нейрон є n-мірним вектором-стовпцем, де n визначається розмірністю початкового простору (розмірністю вхідних векторів).
Застосування одно- і двовимірних мереж пов'язано з тим, що виникають проблеми при відображенні просторових структур більшої розмірності (при цьому знову виникають проблеми з пониженням розмірності до двовимірної, уявної на моніторі). Звичайно, нейрони розташовуються у вузлах двовимірної мережі з прямокутними або шестикутними осередками. При цьому, як було сказано вище, нейрони також взаємодіють один з одним. Величина цієї взаємодії визначається відстанню між нейронами на карті. При реалізації алгоритму SOM наперед задається конфігурація мережі (прямокутна або шестикутна), а також кількість нейронів в мережі. Деякі джерела рекомендують використовувати максимально можливу кількість нейронів в карті. При цьому початковий радіус навчання (neighborhood в англомовній літературі) в значній мірі впливає на здатність узагальнення за допомогою отриманої карти. У разі, коли кількість вузлів карти перевищує кількість прикладів в навчальній вибірці, успіх використання алгоритму у великій мірі залежить від відповідного вибору початкового радіусу навчання. Проте, у разі, коли розмір карти складає десятки тисяч нейронів, час, що вимагається на навчання карти, звичайно буває дуже великим для вирішення практичних задач. Таким чином, необхідно досягати допустимий компроміс при виборі кількості вузлів.

 


 
загрузка...

Добавить комментарий


Защитный код
Обновить