Обучение ИНС. Обучение без учителя. Алгоритм обучения Кохонена

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.