13. Мережі кохонена, принци Нейронные сети Кохонена
отдельный класс нейронных сетей, используемых для решения различных задач классификации и производных от них
Принцип – двохшарова нейронна мережа зі змаганням, без вчителя – виконує завдання кластерізації.
Для применения нейронных
сетей Кохонена в задачах классификации
требуется некоторая формализация.
Каждый объект, который требуется
классифицировать, представляется в
виде некоторого вектора, подающегося
на вход нейронной сети. Количество
нейронов во входном слое определяется
количеством компонентов этого входного
вектора. Количество же выходов определяется
количеством классов, т.е. если
всего 
классов,
то количество нейронов в выходном слое
тоже будет
.
Таким образом, каждый нейрон в
выходном слое «отвечает» за свой класс.
Значения, которые принимают нейроны в
выходном слое, отображают насколько
вектор классифицируемого объекта на
входе близок, по мнению нейронной сети
Кохонена, к тому или иному классу. Чем
больше «уверенность», что объект
принадлежит к тому или иному классу,
тем больше значение принимает нейрон
соответствующего класса. Иногда применяют
специальную функцию активацию, которая
делает сумму выходов со всех нейронов
равной единице. В таком случае каждый
выход можно трактовать, как вероятность
того, что объект принадлежит к данному
классу.
Стоит отметить, что существует или более простая реализация нейронной сети Кохонена, которая называется «победитель забирает все». В таком случае каждый нейрон выходного слоя может принимать значение либо ноль, либо единица. При этом для одного входного вектора единице может быть равен один и только один нейрон выходного слоя, т.е. один объект не может относиться сразу к двум классам.
Принцип
работы уже обученной нейронной сети
Кохонена следующий. Нейроны входного
слоя (на рис. 1 обозначены кружочками)
не выполняют никаких вычислений и служат
лишь точками разветвления. Каждый нейрон
входного слоя 
соединен
с каждым нейроном скрытого слоя 
,
который называют слоем
Кохонена,
отдельным весом, так, например, первый
нейрон входного слоя соединен с первым
нейроном слоя Кохонена весом 
.
Нейроны слоя Кохонена складывают
поступающие значения и подают их на
нейроны выходного слоя 
:
один нейрон слоя Кохонена – один нейрон
выходного слоя.
14. Генетичний алгоритм, головні операції
Генетичні алгоритми – основа еволюційного моделювання, яке виражається у поступовому покращенні показників об’єкту на протязі деякого періоду або часу.
ГА працює наступним чином. Ініціалізується популяція і всі хромосоми порівнюють у відповідності із заданою функцією оцінки. Далі виконується функція репродукції популяції хромосом. Батьки вибираються наступним чином у відповідності із значенням оцінки (ймовірність оцінки того, що дана хромосома стане батьком, пропорційна одержаній оцінці). Репродукція відбувається індивідуально для одного батька шляхом мутації хромосоми, або для двох батьків шляхом кроссовера генів. Діти, що одержалися оцінюються і розміщуються в популяції.
В результаті описаних операцій на кожному етапі еволюції одержуються популяції із більш досконалими індивідуами.
Головні операції генетичних алгоритмів:
- Ініціалізація – полягає у формуванні базової множини хромосом (Вектор (послідовність) із нулів та одиниць. Кожна позиція (біт) називається геном) для вирішення задачі.
- Вибір хромосом – вибор за певною оціночною функцією або за певною оцінкою окремих екземплярів хромосом для подальшої їх обробки.
- Кроссовер (Схрещення, рекомбінація) – головна операція генетичних алгоритмів, яка полягає у зміні структури хромосоми шляхом перестановки частин/частини від іншої хромосоми. Існує одноточковий (використовується при бінарному кодуванні інформації та при певній очевидності т. кроссоверу, при цьому т. кроссовера може задаватися, а може обиратися випадковим або ймовірнісним шляхом),
двоточковий (т. кроссоверу задаються примусово. При шаблонному кодуванні відстань від т. кроссоверу пропорційна шаблону) та багаточковий кросовер.
- Мутація – часткова зміна складу хромосом з метою покращення результату. В реальному житті мутація досягає 1-1,5%.
- вирішення задач багатокритеріальної оптимізації
- вирішення задач дискретної оптимізації (розкрой, компоновка, трасування).
- оптимізація навчання нейроних мереж
- системи кодування, шифрування
- системи розробки стратегій в задачах менеджмента та планування
- сучасне мистецтво (картини, музика).