ЗНАЙ ИНТУИТ, Лекция, Невронни мрежи
Карти Кохонен
Самоорганизиращи се карти (SOM)
Мрежите, наречени карти на Кохонен, са една от разновидностите на невронните мрежи, но те са фундаментално различни от тези, разгледани по-горе, тъй като използват обучение без надзор. Спомнете си, че при такова обучение комплектът за обучение се състои само от стойностите на входните променливи; по време на тренировъчния процес няма сравнение на изходите на невроните с референтните стойности. Можем да кажем, че такава мрежа се научава да разбира структурата на данните.
Идеята за мрежата на Кохонен принадлежи на финландския учен Тойво Кохонен (1982). Основният принцип на мрежите е въвеждането на информация относно нейното местоположение в правилото за обучение на неврон.
Идеята за мрежата на Кохонен се основава на аналогия със свойствата на човешкия мозък. Мозъчната кора на човека е плосък лист и сгънат в гънки. По този начин можем да кажем, че той има определени топологични свойства (зоните, отговорни за близките части на тялото, са съседни една на друга и целият образ на човешкото тяло се показва на тази двумерна повърхност).
Решени проблеми с Карти на Кохонен
Самоорганизиращите се карти могат да се използват за решаване на проблеми като моделиране, прогнозиране, търсене на модели в големи набори от данни, идентифициране на набори от независими характеристики и компресиране на информация.
Най-честото приложение на мрежите на Кохонен е за решаване на проблема без класификация, т.е. клъстериране.
Спомнете си, че с тази формулировка на проблема ни се дава набор от обекти, всеки от които е свързан с ред в таблица (вектор на стойности на характеристиките). Изисква се разделянето на оригиналния набор на класове, т.е. за всеки обект намерете класа, към който принадлежи.
В резултат на получаването на нова информация за класовете е възможно да се коригират съществуващите правила за класифициране на обекти.
Две от често използваните карти на Кохонен са изследователски анализ на данни и откриване на нови явления. [39].
Анализ на изследователски данни. Мрежата на Kohonen е способна да разпознава клъстери в данни, както и да установява близостта на класовете. По този начин потребителят може да подобри разбирането си за структурата на данните, за да усъвършенства модела на невронната мрежа по-късно. Ако класовете са разпознати в данните, те могат да бъдат определени, след което мрежата може да реши проблеми с класификацията. Мрежите на Кохонен също могат да се използват при онези класификационни проблеми, при които класовете вече са дефинирани - тогава предимството ще бъде, че мрежата може да разкрие прилики между различните класове.
Откриване на нови явления. Мрежата Kohonen разпознава клъстери в данните за обучение и присвоява всички данни на един или друг клъстер. Ако след това мрежата срещне набор от данни, който е за разлика от никоя от известните проби, тогава тя няма да може да класифицира такъв набор и по този начин да разкрие своята новост.
Обучение на мрежата на Кохонен
Мрежата на Кохонен, за разлика от многослойната невронна мрежа, е много проста; тя се състои от два слоя: вход и изход. Нарича се още самоорганизираща се карта. Елементите на картата се намират в определено пространство, обикновено двуизмерно. Мрежата на Кохонен е показана на фиг. 12.1
Мрежата на Kohonen се обучава чрез последователни приближения. В процеса на обучение на такива мрежи данните се подават към входовете, но мрежата не се приспособява към референтната стойност на изхода, а към моделите във входните данни. Обучението започва с произволно избрано местоположение на изходния център.
В процеса на последователно подаване на примери за обучение на входа на мрежата се определя най-сходният неврон (този със скаларния продукт на тежестите и вектора, подаван към входа, е минимален). Този неврон е обявен за победител и е центърът за регулиране на теглото на съседните неврони. Такова правило за обучение предполага "състезателно" обучение, като се вземе предвид разстоянието на невроните от "печелившия неврон".