Процесс функционирование ИНС, т.е сущность действий которые она способна выполнить, зависит от величин синоптических связей, поэтому разработчик выбрав структуру ИНС должен найти оптимальное значение весовых коэффициентов. Этот этап называется – обучение ИНС.
Схема процесса обучения следующая: Из БД выбирается пример, применяется ИНС и анализируется ответ, если ошибка мала, то ИНС считается обученной, Если ошибка велика- то происходит настройка весовых коэффициентов.
Обычно ИНС настраивают веса связи по имеющейся обучающей выборки, причем функционирование ИНС улучшается по мере итерационной настройки весовых коэффициентов. Существует 3 парадигмы обучения: Обучение с учителем. Смешанное обучение,
Обучение без учителя - не требует знания правильного ответа на каждый пример выборки. Раскрывается внутренняя структура данных, что позволяет распределить примеры по категориям.
Алгоритм обучения Кохонена:
1) Задаются случайные, нормализованные по длине векторы Wi
2) Начало цикла обучения. Ввод очередного вектора входов Х.
|
|
3) Определение нейрона победителя (т.е. нейрона с максимальным выходом), корректировка его весов и задание единичного выхода: Wr=Wr+ (Wr-X) yr=1
𝛈- коэффициент скорости обучения.
4) Нормализация найденного вектора – деление каждой компоненты вектора на длину вектора (квадратный корень из суммы квадратов компонента вектора).
Wr =Wr/
Это превращает входной вектор весов в единичный вектор с тем же направлением, т.е вектор единичной длины в n-мерном пространстве.
5) Задание значений для остальных нейронов wi=wi; yi=0, i=r.
6) Проверка выполнения правила остановки. В качестве такого правила можно выбрать стабилизацию векторов весов на определенных значениях. Если оно не выполнено, то продолжение цикла обучения переходом к шагу 2, в противном случае переход к шагу 7.
7) Окончание процедуры обучения
Выражение для коррекции вектора весовых коэффициентов можно представить в след. виде:
Wr:=Wr+ (X-Wr)=(1- )*Wr+
Т.е. новое значение данного вектора является взвешенной суммой старого значения и предъявленного вектора входов.
Итоговым результатом для подбора коррекций в условиях рассматриваемого примера являются векторы весов, показывающие на центры кластеров (центры группирования входных образов).
Алгоритм обучения Кохонена обеспечивает решение задач автоматической классификации, то есть отнесение предъявленного вектора входов к одному из классов. Число нейронов ИНС для успешного решения указанной задачи должно быть не меньше чем число кластеров, и поскольку число кластеров заранее неизвестно, количество нейронов задается с определенным запасом.
Лишние нейроны, у которых в процессе обучения веса не изменяются по завершению данного процесса могут быть удалены.