Самоорганизованные сети Кохонена

Идея сетей с самоорганизацией на основании конкуренции между нейронами базируется на применении специальных алгоритмов самообучения искусственных нейронных сетей.

Сети Кохонена обычно содержат один выходной слой обработки элементов с пороговой передаточной функцией. Число нейронов в выходном слое соответствует комплексному распознаванию классов.

Настройка параметров межнейронных соединений проводится автоматически на основе меры близости векторов – весовых коэффициентов настраиваемых связей к вектору входного сигнала в евклидовом пространстве. В конкурентной борьбе побеждает нейрон со значениями весов наиболее близком к нормализованным векторам входных сигналов. Кроме того, в самоорганизованных сетях возможна классификация входных образцов.

Построение нейронной сети

При построении модели ИНС сначала необходимо точно определить задачи, которые будут решаться с ее помощью. В настоящее время ИНС используются при прогнозировании, распознавании и обобщении.

Первым этапом построения нейросетевых моделей является отбор входных данных, влияющих на ожидаемый результат. Из исходной информации необходимо исключить все сведения, не относящиеся к исследуемой проблеме, в то же время, стоит располагать достаточным количеством примеров для обучения ИНС.

Существуют эмпирические правила, которые устанавливают рекомендуемое соотношение Х между получаемыми обучающими примерами, содержащими входные данные и правила ответов и число соединений нейронной сети (Х<10). Для факторов, которые включаются в обучение необходимо предварительно оценить их значения, для этого используют корреляционный и регрессионный анализ и анализируют диапазон возможных значений.

На втором этапе осуществляется преобразование исходных данных с учетом характера и типа проблемы, отображаемой нейросетевой моделью, и выбирается способ представления информации.

Эффективность нейросетевой модели повышается, если диапазон изменения входных и выходных величин приведен к некоторому стандартному варианту:

[0;1],

[-1;1] .

Третий этап заключается в построении ИНС. Проект его архитектуры – число слоев нейронов. Структура ИНС формируется до начала обучения, поэтому условия решения проблемы определяются конкретным опытом и использованием специалиста – аналитика, который проводит исследования.

Четвертый этап связан с обучением сети, которое может проводиться на основе конструктивного или деструктивного подхода. В соответствии с первым подходом обучение ИНС начинается на сети небольшого размера, т.е. с каждым шагом постоянно увеличивается размер до требуемой точности.

Деструктивный подход основан на проектировании деревьев. Выбирается сеть с заведомо избыточным объемом и с каждым шагом постепенно удаляются нижние нейроны и прекращаются связи. Этот подход позволяет исследовать возможность влияния удаленных элементов на связи в сети.

Процесс обучения нейронной сети представляет собой уточнение значений весов коэффициентов для отдельных узлов посредством постепенного увеличения объема входной и выходной информации.

Началу обучения должна предшествовать процедура выбора функции активации нейронов, которые учитывают характер решаемой задачи.

На пятом этапе проводится тестирование полученной модели на независимой выборке примеров.