상위 10 개 기사

체르노빌 재해
한국 전쟁
중국 숫자
폐 계면활성제
피츠버그 공립학교
영국의 강의 명부
멕시코
히브리어 성경
슬로베니아 문학
중국

News:

자가 구성 지도

A 자가 구성 지도 (SOM) 유형은의 이다 인공 신경 네트워크 저것은을 사용하여 훈련된다 unsupervised 배우기 낮 차원을 생성하기 위하여 (전형적으로 2차원), a에게 불리는 훈련 견본의 입력 공간의 discretized 대표 지도. 지도는 보존하는 것을 노력한다 지세학 입력 공간의 재산.

이것은 SOM를을 위해 유용한 만든다 구상 에 가까운 높 차원 자료의 낮 차원 전망 다차원 스케일링. 모형은에 의해 인공 신경 네트워크로 처음으로 기술되었다 핀란드 교수 Teuvo Kohonen, 때때로 a에게 불리고 Kohonen 지도.

대부분의 인공 신경 네트워크 같이, SOMs는 2개의 형태에서 작동한다: 훈련하고 지도로 나타내기. 훈련은 입력 보기를 사용하여 지도를 건축한다. 또한 불린 경쟁적인 과정, 이다 벡터 양자화. 자동으로 지도로 나타내는 것은 새로운 입력 벡터를 분류한다.

목차

그물 구조

마디 또는 신경에게 불린 분대가 자가 구성 지도에 의하여 이루어져 있다. 지도에 있는 입력 자료 벡터에 의하여 그리고 위치가 간격을 두는 것과 같은 차원의 무게 벡터는 각 마디와 연관된다. 마디의 보통 배열은 6각형 직사각형 격자에 있는 일정한 간격이다. 자가 구성 지도는 더 높은 차원 입력 공간에서 더 낮은 차원 지도 공간에 지도로 나타내기 기술한다. 지도에 자료 공간에서 벡터를 두기를 위한 절차는 가장 가까운 무게 벡터를 가진 마디를 자료 공간에게서 가지고 간 벡터에 찾아내고 우리의 벡터에 이 마디의 지도 협조를 할당하기 위한 것이다.

그물 구조의 이 유형을과 관련해서 고려하는 위하여 그것이 전형의 동안 feedforward 네트워크 마디가 구상되는 곳에 붙어 있기 것과 같이, 이 아키텍처 유형은 배열과 동기부여에서 기본적으로 다르다.

유용한 연장은을 사용하여 포함한다 토로이드 격자가 대변 인 연결되고 많은 마디를 사용한. 소수 마디를 가진 자가 구성 지도가 유사한 방법으로 행동하는 동안 보였다 K 의미한다, 더 큰 자가 구성 지도는 특성에서 기본적으로 지세학 인 방법에 있는 자료를 재정비한다.

또한 U 모체를 이용하는 공유지 이다. 특정 노드의 U 모체 가치는 마디와 그것의 가장 가까운 이웃사람 사이 평균 거리이다. 직사각형 격자에서는 예를 들면, 우리는 가장 가까운 4개 8개의 마디를 고려할지도 모르다.

긴급 인 큰 SOMs 전시 재산. 그러므로, 큰 지도는 더 작은 그들에 낫다. 마디의 수천을 이루어져 있는 지도에서는, 지도에 송이 가동 자체를 실행하는 것이 가능하다.[1]

배우는 산법

자가 구성 지도에서 배우기의 목표는 네트워크의 다른 부분을 특정 입력 본과 유사하게 반응하는 원인이 되기 위한 것이다. 이것은 분할 얼마나에 의해 시각, 청중 다른 사람 동기를 준다 감각 정보는의 분리되는 부분에서 취급된다 대뇌 피질 에서 인간 두뇌.[2]

신경의 무게는 작은 무작위 가치에 초기화되거나 가장 큰 2에 의해 뼘으로 잰 부분공간에서 동등하게 간색된다 기본 성분 고유 벡터. 후반 대안으로, 배우는 것은 처음 무게가 이미 SOM 무게의 좋은 근사를 주기 때문에 매우 더 빠르다.[3]

네트워크는, 지도로 나타내기 동안에 예상된 벡터의 종류 대표하는 많은 보기 벡터를, 되도록 근접하여 먹여야 한다. 보기는 보통 몇 시간 관리된다.

훈련은 경쟁적인 배우기 이용한다. 훈련 보기가 네트워크에 먹일 때, 그것 유클리드 거리 모든 무게에 벡터는 계산된다. 입력과 가장 유사한 무게 벡터를 가진 신경은 제일 어울리는 단위이라고 (BMU) 칭한다. BMU의 무게 및 SOM 격자에서 그것 거의 신경은 입력 벡터로 조정된다. 변화의 크기는 시간과 BMU에서 거리로 줄인다. 무게 벡터를 가진 신경을 위한 갱신 공식 Wv(t)는 이다

Wv(t + 1) = Wv(t) + Θ (v, t) α (t) (D(t) - Wv(t)),

α (t)가 a인 곳에 단조음으로 줄이기 계수를 배우기 D(t)는 입력 벡터이다. 인근 기능 Θ (v, t)는 BMU와 신경 사이 살창 거리에 달려 있다 v. 간단한 형식에서는 BMU에 충분히 가까운 모든 신경을 위해 것 및 다른 사람을 위해 0, 그러나 a이다 가우스 기능 일반적인 선택은, 너무 이다. 기능적인 모양에 관계 없이, 인근 기능은 시간으로 긴축한다.[2] 처음부터 인근이 넓 때, 자가 구성은 세계적인 가늠자에 일어난다. 인근이 다만 2 신경에 긴축할 무게는 현지 견적에 집중 이다.

이 과정은 큰 주기의 a (보통) 수를 위한 각 입력 벡터를 위해 반복된다 λ. 네트워크는 위로 입력 자료 세트에 있는 그룹 또는 본과 산출 마디를 관련시키기 감는다. 이 본이 지명될 수 있는 경우에, 이름은 훈련한 그물에 있는 연합되는 마디에 붙어 있을 수 있다.

지도로 나타내기 동안에, 단 하나 것이 있을 것이다 이기기 신경: 입력에 가장 가까운 그의 무게 벡터 사기의 방향을 바꾸십시오 신경. 이것은 입력 벡터와 무게 벡터 사이 유클리드 거리를 산출해서 간단하게 결정될 수 있다.

벡터로 입력 자료를 대표하는 것은 이 기사, 주목해야 한다 디지털로 대표될 수 있는 그것과 관련된 적합한 거리 측정이 있고 목표에는의 아무 종류나에서 강조된 동안 훈련을 위한 필요한 가동이 가능한 지 어느 것이에서 자가 구성 지도를 건설하기 위하여 이용되고. 이것은 모체, 연속 함수 또는 다른 자가 구성 지도를 포함한다.

보기

예비적인 정의

각각이 무게 벡터를 포함하고 배열에 있는 그것의 위치와에 대해 인식하고 있 마디의 10×10 배열을 고려하십시오. 각 무게 벡터는 마디의 입력 벡터와 동일한 차원의 이다. 무게는 무작위 가치에 처음에 놓인다.

지금 우리는 입력을 지도를 먹이는 필요로 한다. (생성한 지도 및 주어진 입력은 분리되는 부분공간에서 존재한다) 우리는 3개의 색깔을 대표하기 위하여 벡터를 창조할 것이다. 색깔은 그들의 빨강, 녹색, 그리고 파란 분대에 의해 대표될 수 있다. 따라서 우리의 입력 벡터에는 3개 분대가, 색깔 공간에 대응하는 각각 있을 것이다. 입력 벡터는:

R = <255, 0, 0>
G = <0, 255, 0>
B = <0, 0, 255>

가변

벡터는 안으로 있다 대담한

t = 현재 시간
 반복에 반복 λ = 한계
Wv = 현재 무게 벡터
D = 표적은 BMU
에서 거리 때문에 Θ (t)를 = 감금 입력해 - 보통 인근 기능 α
 (t)를 = 불러 감금을 시간 때문에 배운

산법을 통해 족답

  1. 지도의 마디의 무게 벡터를 무작위로 고르십시오
  2. 입력 벡터를 움켜잡으십시오
  3. 지도에 있는 각 마디를 횡단하십시오
    1. 사용 유클리드 거리 입력 벡터와 지도의 마디의 무게 벡터 사이 상사성을 찾아내는 공식
    2. 가장 작은 거리를 일으키는 마디를 추적하으십시오 (이 마디는 제일 어울리는 단위, BMU이다)
  4. 입력 벡터에 가까운 그들을 당겨서 BMU의 근처에 마디를 새롭게 하십시오
    1. Wv(t + 1) = Wv(t) + Θ (t) α (t) (D(t) - Wv(t))
  5. 증가 t와 반복 동안에 t < λ

해석

SOM를 해석하는 2가지의 방법이 있다. 훈련 단계에서 전체 인근의 무게가 동일한 방향에서 이동되기 때문에, 유사한 품목은 인접한 신경을 흥분해 경향이 있다. 그러므로, SOM는 유사한 견본이와 닮지 않은 격세한 함께 근접하여 지도로 나타나는 의미 지도를 형성한다.

다른 방법은 때문에 포인터 입력 공간에 신경원 무게를 생각하기 위한 것이기. 그들은 훈련 견본의 배급의 분리된 근사를 형성한다. 신경은 더 높은 훈련 견본 농도 및 보다 소수의를 가진 지구를 견본이 부족한 곳에 가르킨다.

SOM는 비선형 일반화이라고의 여겨질지도 모른다 기본 성분 분석[4].

대안

발생 지형 지도 (GTM) 잠재적인 대안은 SOMs에 이다. GTM가 명백하게 입력 공간에서 지도 공간에 매끄러운 지속적인 지도로 나타내를 요구한다 감에서는, 그것은 지세학 보존하는이다. 그러나, 실제적인 감에서, 지세학 보전의 이 측정은 결여되고 있다.[5]


참고

  1. ^ Ultsch, Alfred (2007년). 자가 구성 지도 (WSOM '07)에 절차 작업장에서 자가 구성 특징 지도에 있는 출현,. 빌레펠트, 독일. ISBN 978-3-00-022473-7. 
  2. ^ a b Haykin, 사이몬 (1999년). "9. 자가 구성 지도 ", 신경 네트워크 - 포괄적인 기초, 제 2 판, 선취 홀. ISBN 0-13-908385-5. 
  3. ^ Teuvo Kohonen의 SOM에 소개. SOM 연장통. 위에 만회하는 2006-06-18.
  4. ^ Yin H. 비선형 주요한 다기관을 각자 편성해서 배워서 지도로 나타낸다, 에서: Gorban A. N. 그 외 여러분 (Eds.), LNCSE 58, Springer 2007년 ISBN 978-3-540-73749-0
  5. ^ Kaski, S. "자가 구성 지도, Acta Polytechnica Scandinavica, 기술설계 시리즈 아니오에 있는 수학, 계산 및 관리를 사용하는 자료 탐험. 82, Espoo 1997년, 57의 PP.".

Rustum R., Adeloye A.J., 및 Scholz M. , 2008. 소프트웨어 감지기로 Kohonen 자가 구성 지도 생화확 산소 수요를 예언하기 위하여 적용. 물 환경 연구, 80 (1) 2008년.

Rustum R와 A.J.Adeloye 2007년. Kohonen 각자 편성 지도를 사용하는 활성화된 진창 자료에서 국외자 그리고 잃어버린 값 대체. 환경 기술설계, Vol.의 전표. 133, 아니오. 9, 2007년 9월 1일, PP. 909-916.

또한 보십시오

외부 연결

The original article is from Wikipedia. To view the original article please click here.
Creative Commons Licence

 
Custom Search