|
Рисунок 3.8. Сеть Кохонена. Сеть Кохонена обучается методом последовательных приближений. В процессе обучения таких сетей на входы подаются данные, но сеть при этом подстраивается не под эталонное значение выхода, а под закономерности во входных данных. Обучение при этом заключается не в минимизации ошибки, а в подстройке весов для наибольшего совпадения с входными данными. Благодаря своим способностям к обобщению информации, карты Кохонена являются удобным инструментом для наглядного представления о структуре данных в многомерном входном пространстве, геометрию которого представить практически невозможно, но совершенно не подходят для решения задач аппроксимации функций (к которой можно отнести и задачу прогнозирования). Среди различных конфигураций искусственных нейронных сетей (НС) встречаются сети, в которых весовые коэффициенты синапсов рассчитываются только однажды перед началом функционирования сети на основе информации об обрабатываемых данных, и все обучение сети сводится именно к этому расчету. Сеть запоминает образцы до того, как на ее вход поступают реальные данные, и не может изменять свое поведение, поэтому говорить о звене обратной связи с "миром" (учителем) не приходится. Из сетей с подобной логикой работы наиболее известны сеть Хопфилда и сеть Хэмминга, которые обычно используются для организации ассоциативной памяти. Структурная схема сети Хопфилда приведена на рисунке 3.9. Она 103 |
Рисунок 3.9 Сеть Кохонена Сеть Кохонена обучается методом последовательных приближений. В процессе обучения таких сетей на входы подаются данные, но сеть при этом подстраивается не под эталонное значение выхода, а под закономерности во входных данных. Обучение при этом заключается не в минимизации ошибки, а в подстройке весов для наибольшего совпадения с входными данными. Благодаря своим способностям к обобщению информации, карты Кохонена являются удобным инструментом для наглядного представления о структуре данных в многомерном входном пространстве, геометрию которого представить практически невозможно, но совершенно не подходят для решения задач аппроксимации функций (к которой можно отнести и задачу определения концентрации вредных веществ). Среди различных конфигураций искусственных нейронных сетей (НС) встречаются сети, в которых весовые коэффициенты синапсов рассчитываются только однажды перед началом функционирования сети на основе информации об обрабатываемых данных, и все обучение сети сводится именно к этому расчету. Сеть запоминает образцы до того, как на ее вход поступают реальные данные, и не может изменять свое поведение, поэтому говорить о звене обратной связи с "миром" (учителем) не приходится. Из сетей с подобной логикой работы наиболее известны сеть Хопфилда и сеть Хэмминга, которые обычно используются для организации 76 ассоциативной памяти. |