Сеть Кохонена

Сеть Кохонена была введена Т. Кохоненом в 1982г.

Другие названия сети:

"самоорганизующаяся карта признаков" (Self–Organizing feature Maps, SOM)

KCN (Kohonen Clastering Networks)

KCN используется для отображения нелинейных взаимосвязей данных на достаточно легко интерпретируемые (чаще всего двумерные) сетки, представляющие метрические и топологические зависимости входных векторов, объединяемых в кластеры.

Сеть Кохонена определяется картой Кохонена, которая служит для отображения нейронной активности в пространство.

Сеть Кохонена имеет один слой нейронов. Число входов каждого нейрона равно размерности входного образа. Количество нейронов в слое непосредственно определяет, сколько различных кластеров сеть может распознать.

С помощью KCN можно сократить размерность представления многомерных векторов, при этом сохраняя топологию связей между ними.

Сеть Кохонена использует конкурентный алгоритм обучения.

Для отображения близко взаимодействующих элементов вводится понятие латерального торможения: активность победившего нейрона распространяется на другие нейроны, заставляя их реагировать на входной сигнал (с увеличением расстояния активность уменьшается).

При вычислении активности каждого из нейронов необходимо учитывать расстоянии от него до победившего нейрона. Для сглаживания эффекта насыщения вводится параметр скорость обучения μ.

Алгоритм обучения сети Кохонена сводится к следующей последовательности действий:

1. Инициализировать весовые вектора для всех выходных нейронов (матрицы связей ) случайной малой величиной.

Вычислить усредненное начальное расстояние (обозначим через усредненное расстояние после t итераций) между обучающими векторами и установленными векторами весовых коэффициентов: ,

где N – число примеров в обучающей выборке, j – номер нейрона, для которого расстояние dist = min.

Установить размер окрестности для выигравшего нейрона r ("радиус стимуляции").

1. Положить .
2. Подать на вход сети очередной входной вектор из обучающей выборки , где t – текущий шаг итерации.
3. Для каждого нейрона j определить его расстояние по формуле для любого j.
4. Выбрать нейрон победитель , для которого это расстояние минимально (поиск победителя ведётся по величине отклонения входного вектора от весового вектора каждого нейрона).
5. Модифицировать весовые коэффициенты выигравшего нейрона:

и тех нейронов s, которые находятся в окрестности выигравшего:

,

где ; μ – скорость обучения (μ <1).

1. Повторить п. 3 – 6 для всех векторов обучающей выборки.
2. Положить и вычислить по формуле .

Подсчитать . Если , где η – априорно заданная положительная пороговая величина, то перейти к п. 9, иначе положить , откорректировать μ, размер окрестности и перейти к п. 2.

1. Останов.

В начале для быстрого выделения кластеров скорость обучения μ велика, затем она понижается по мере увеличения расстояния между кластерами.

Для учёта влияния эффекта латерального торможения вводится поправка в формулу : , где - расстояние между победившим и соседним нейроном, r – текущий размер окрестности.

Основные недостатки сети Кохонена:

1. Метод обучения является эвристическим, поскольку его сходимость не доказана, поэтому завершение процедуры обучения не основывается на оптимизации какой-либо математической модели процесса или относящихся к нему данных.
2. Итоговые весовые векторы выходных нейронов обычно зависят от входной последовательности.
3. Различные начальные условия обычно порождают различные результаты.
4. Использование некоторых параметров алгоритмов KCN: скорости обучения, размера окрестности и пр. не всегда пригодно.

Поэтому более выгодными оказываются комбинированные сети.

Дата добавления: 2014-01-15