|
100 Чтобы определить класс, к которому относится объект, нужно выбрать среди всех нейронов данного слоя один с максимальным выходом это осуществляет интерпретатор. Интерпретатор или программа, выбирающая нейрон с максимальным выходом, или слой нейронов с латеральным торможением (описан в разделе о сети APT), состоящий из нейронов с обратными связями. На обычных ЭВМ программный интерпретатор эффективнее, т.к. латеральное торможение требует моделирования процесса во времени, что требует многих итераций. Рассмотренная сеть нейронов, использующая евклидову меру близости для классификации объектов, называется сетью Кохонена (рис. 3.8). Рис. 3.8. Сеть Кохонена Нейроны слоя Кохонена генерируют сигналы Dmp. Интерпретатор выбирает максимальный сигнал слоя Кохонена и выдает номер класса ш, соответствующий номеру входа, по которому интерпретатором получен максимальный сигнал. Это соответствует номеру класса объекта, который был предъявлен на входе, в виде вектора хр. -Ядра ст являются весовыми коэффициентами нейронов. Каждый нейрон Кохонена запоминает одно ядро класса, и отвечает за определение объектов в своем классе, т.е. величина выхода нейрона тем больше, чем ближе объект к данному ядру класса. Входные вектора сети чаще всего нормируются: |
53 Сумма p m i i i x c∑ очень напоминает взвешенную сумму jl ijl ijl i NET w x= ∑ , рассчитываемую формаль ным нейроном. Выберем p ix в качестве входных сигналов (что мы, впрочем, уже сделали) и компо ненты ядер m ic в качестве весовых коэффициентов ijlw . Тогда каждый формальный нейрон с числом входов, равным числу компонент во входном векторе, будет давать на выходе одну из сумм ,m p D . Чтобы определить класс, к которому относится объект, нужно выбрать среди всех нейронов дан ного слоя один с максимальным выходом — это осуществляет интерпретатор. Интерпретатор — или программа, выбирающая нейрон с максимальным выходом, или слой нейронов с латеральным тор можением (описан в разделе о сети АРТ), состоящий из нейронов с обратными связями. На обыч ных ЭВМ программный интерпретатор эффективнее, т.к. латеральное торможение требует модели рования процесса во времени, что требует многих итераций. Рассмотренная сеть нейронов, использующая евклидову меру близости для классификации объе ктов, называется сетью Кохонена (рис. ). Рис. . Сеть Кохонена Нейроны слоя Кохонена генерируют сигналы ,m p D . Интерпретатор выбирает максимальный сиг нал слоя Кохонена и выдает номер класса m, соответствующий номеру входа, по которому интер претатором получен максимальный сигнал. Это соответствует номеру класса объекта, который был предъявлен на входе, в виде вектора p x . Ядра m c являются весовыми коэффициентами нейронов. Каждый нейрон Кохонена запоминает одно ядро класса, и отвечает за определение объектов в своем классе, т.е. величина выхода нейрона тем больше, чем ближе объект к данному ядру класса. Общее количество классов совпадает с количеством нейронов Кохонена. Меняя количество ней ронов, можно динамически менять количество классов. Нейроны Кохонена имеют линейную функцию активации. Если применить функцию SOFTMAX, то выход слоя Кохонена можно трактовать как вероятность принадлежности объекта к каждому из классов. Но применение SOFTMAX некорректно с точки зрения принципа локальности, т.к. вычи сление этой функции активации требует знания всех выходов сети каждым из нейронов, а в реаль ной сети это не выполняется. Входные вектора сети чаще всего нормируются: p p p → x x x или 2 p p p p → ∑ x x x () Возможны другие способы нормировки. Обучение слоя Кохонена Задача обучения — научить сеть активировать один и тот же нейрон для похожих векторов p x на входе. Не важно, какой конкретно нейрон будет активирован. 1. Присвоение начальных значений |