Картата на Кохонен е

Карта на самоорганизиращата се Kohonen (англ. Самоорганизираща се карта - SOM) е конкурентна невронна мрежа с неподдържано обучение, която изпълнява задачата за визуализация и групиране. Идеята за мрежата е предложена от финландския учен Т. Кохонен. Това е метод за проектиране на многомерно пространство в пространство с по-ниско измерение (най-често двумерно), използва се и за решаване на проблеми при моделиране, прогнозиране и др. Това е една от версиите на невронните мрежи на Кохонен.

Съдържание

Структура на мрежата

Самоорганизиращата се карта се състои от компоненти, наречени възли или неврони. Техният брой се определя от анализатора. Всеки от възлите е описан от два вектора. Първият е т.нар. вектор на тегло m, който има същото измерение като входните данни. Втората е координатите на възела на картата, след това на вектора r. Обикновено възлите са разположени по върховете на правилна решетка с квадратни или шестоъгълни клетки.

Първоначално е известен размерът на входните данни, според който първоначалната версия на картата е изградена по някакъв начин. В процеса на обучение векторите на тежестите на възлите се доближават до входните данни. За всяко наблюдение (проба) се избира възелът с най-подобен вектор на тегло и стойността на неговия вектор на тегло се доближава до наблюдението. Също така векторите на тежестта на няколко възла, разположени наблизо, се приближават до наблюдение, така че ако в набора от входни данни две наблюдения са сходни, те ще съответстват на затворени възли на картата. Цикличният процес на обучение, който се повтаря през входните данни, завършва, когато картата достигне допустимата (предварително определена от анализатора) грешка, или след определен брой повторения.

Работа в мрежата

  • Инициализация на картата, тоест първоначалното задаване на вектори на тежести за възли.
  • Цикъл:
    • Избор на следващото наблюдение (вектор от набор от входове).
    • Намиране на най-подходящата единица (BMU или Победител) за нея - възелът на картата, чийто вектор на тегло е най-малко различен от наблюдението (в метриката, зададена от анализатора, най-често евклидова).
    • Определяне на броя на съседите на BMU и обучение - промяна на векторите на тежестта на BMU и неговите съседи, за да ги приближи до наблюдението.
    • Откриване на грешка в картата.