Топ 10 статей

Направляющий выступ Hitchhiker к галактике (игра компьютера)
Pablo Neruda
Zaara (серии TV)
Clownfish
Экстраполяция
Великобританское королевская семья
Римские цифры
Силикат натрия
Декартовая система координат
Типы незанятости

News:

Self-organizing карта

A self-organizing карта (SOM) тип искусственная нервная система то натренированным использованием unsupervised учить произвести низк-габаритное (типично плоско), дискретизованное представление вызванного космоса входного сигнала образцов тренировки, a карта. Seeks карты для того чтобы сохранить топологическо свойства космоса входного сигнала.

Это делает SOM полезно для визуализировать низк-габаритные взгляды высок-габаритных данных, сродные к многомерное шкалирование. Модель сперва была описана как искусственная нервная система Finnish профессор Teuvo Kohonen, и иногда вызывает a Карта Kohonen.

Как большинств искусственние нервные системы, SOMs работает в 2 режимах: тренировка и составлять карту. Тренировка строит карту использующ примеры входного сигнала. Будет конкурсным также вызванным процессом, квантование вектора. Составлять карту автоматически классифицирует новый вектор входного сигнала.

Содержание

Структура сети

Self-organizing карта consist of вызванные компоненты узлами или невронами. Связан с каждым узлом вектор веса такого же размера векторы входных данных и положение в карте размечают. Обычным расположением узлов будет регулярно дистанционирование в шестиугольной или прямоугольной решетке. Self-organizing карта описывает составлять карту от более высокого габаритного космоса входного сигнала к более низкому габаритному космосу карты. Процедура для устанавливать вектор от космоса данных на карту должна найти узел с самым близким вектором веса к вектору принятому от космоса данных и задать координаты карты этого узла к нашему вектору.

Пока оно типично для рассмотрения этого типа структуры сети что касается сети feedforward где узлы визуализированы как прикрепляемо, этот тип зодчества основно по-разному в расположении и мотивировке.

Полезные выдвижения вклюают использующ toroidal решетки где напротив краев соединены и использованы большое количество узлов. Было показано что пока self-organizing карты с немного узлов поступают в дороге будет подобно к K-намеревает, более большие self-organizing карты rearrange данные в дороге которая основно топологическа в характере.

Будет также общим для использования U-матрицы. Значением U-матрицы определенного узла будет среднее расстояние между узлом и своими самыми близкими соседями. В прямоугольной решетке for instance, мы могли рассматривать самые близкие 4 или 8 узла.

Большие свойства индикации SOMs эмерджентны. Поэтому, большие карты предпочтительны к более малым одним. В картах consist of тысячи узлов, по возможности выполнить деятельности самих группы на карте.[1]

Учя алгоритм

Цель учить в self-organizing карте должна причинить по-разному части сети ответить подобно к некоторым картинам входного сигнала. Это отчасти motivated как визуально, auditory или друг сензорно информация отрегулирована в отдельно частях церебральная корка в людской мозг.[2]

Весы невронов выступлены с иничиативой или к малым случайно значениям или попробованы ровно от подпространства spanned 2 самым большим основной компонент эйгенвекторы. С последней алтернативой, учить гораздо быстре потому что первоначальные весы уже дают хорошее приближение весов SOM.[3]

Сеть необходимо подать большое количество векторов примера представляют, как можно ближе, виды векторов предпологаемых во время составлять карту. Примеры обычно administered несколько времен.

Тренировка использует конкурсный учить. Когда пример тренировки подан к сети, своей Эвклидово расстояние к всему весу векторы вычислены. Неврон с вектором веса самым подобным к входному сигналу вызван самым лучшим сопрягая блоком (BMU). Весы BMU и невроны close to оно в решетке SOM отрегулированы к вектору входного сигнала. Величина изменения уменьшает с временем и с расстоянием от BMU. Формула уточнения для неврона с вектором веса Wv(t)

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

где α (t) будет a монотонно уменьшающ учя коэффициент и D(t) вектор входного сигнала. Функция Θ района (v, t) зависит на расстоянии решетки между BMU и невроном v. В просто форме это будет одним для всех невронов близких достаточно к BMU и нул для других, но a гауссовая функция общий выбор, слишком. Regardless of функциональная форма, функция района сжимает с временем.[2] На начале когда район обширн, self-organizing осуществляет на глобальном маштабе. Когда район сжимал к как раз паре невронов весы converging к местным предварительным подчетам.

Этот процесс повторен для каждого вектора входного сигнала для номера a (обычно большого) циклов λ. Сеть обматывает вверх по связывать узлы выхода с группами или картинами в комплекте входных данных. Если эти картины можно назвать, то имена можно прикрепиться к associated узлам в натренированной сети.

Во время составлять карту, будет одно одиночное выигрывать неврон: неврон лож вектора веса самые близкие к входному сигналу vector. Это может просто быть обусловлено путем высчитывать эвклидово расстояние между вектором входного сигнала и вектором веса.

Пока представлять входные данные как векторы было подчеркнут в этой статье, оно должен быть замечен что нисколько вроде предмет который можно представить цифрово и который имеет соотвествующее измерение расстояния связанное с им и в обязательно деятельности для тренировки по возможности можно использовать для того чтобы построить self-organizing карту. Это вклюает матрицы, непрерывные функции or even другие self-organizing карты.

Пример

Предварительные определения

Рассматривайте блок 10×10 узлов содержит вектор веса и осведомленн своего положения в блоке. Каждый вектор веса такого же размера как вектор входного сигнала узла. Весы первоначально установлены к случайно значениям.

Теперь нам нужно входной сигнал подать карта. (Произведенная карта и, котор дали входной сигнал существуют в отдельно подпространствах) мы создадим 3 вектора для того чтобы представить цветы. Цветы могут быть представлены их красными, зелеными, и голубыми компонентами. Следовательно наши векторы входного сигнала будут иметь 3 компонента, каждое соответствуя к цветовому пространству. Векторы входного сигнала будут:

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

Перемеююые

Векторы внутри смелейше

t = в настоящее время λ
 = предел итерирования на итерировании времени
Wv = в настоящее время вектор веса
D = цель input
 Θ (t) = ограничение из-за расстояния от BMU - обычно вызвал α функции
 района (t) = учя ограничение из-за времени

Шагать через алгоритм

  1. Хаотизируйте векторы веса узлов карты
  2. Схватите вектор входного сигнала
  3. Траверсируйте каждый узел в карте
    1. Польза Эвклидово расстояние формула для того чтобы найти сходство между вектором входного сигнала и вектором веса узла карты
    2. Отслеживайте узел производит самое малое расстояние (этим узлом будет самый лучший сопрягая блок, BMU)
  4. Уточните узлы in the neighbourhood of BMU путем вытягивать их closer to вектор входного сигнала
    1. Wv(t + 1) = Wv(t) + α Θ (t) (t) (D(t) - Wv(t))
  5. Инкремент t и повторение пока t < λ

Толкование

2 дороги интерпретировать SOM. Потому что в участок тренировки весы всего района двинуты в такое же направление, подобные детали клонат возбудить смежные невроны. Поэтому, SOM формирует смысловую карту где подобные образцы составлены карту близко совместно и несходное отделенное.

Другая дорога должна думать нейрональных весов по мере того как указатели к космосу входного сигнала. Они формируют дискретное приближение распределения образцов тренировки. Больше невронов указывают к зонам с высокой концентрацией и менее образца тренировки где образцы вряд.

SOM может быть рассмотрено нелинейным обобщением анализ основного компонента[4].

Алтернативы

Генеративные топографические карты (GTM) потенциальная алтернатива к SOMs. В чувстве что GTM точно требует ровный и непрерывный составлять карту от космоса входного сигнала к космосу карты, оно сохранять топологии. Однако, in a practical sense, это измерение топологической консервации нуждается.[5]


Справки

  1. ^ Ultsch, Альфред (2007). Эмерджентность в Self-Organizing картах характеристики, в мастерской продолжений на Self-Organizing картах (WSOM '07). Bielefeld, Германия. ISBN 978-3-00-022473-7. 
  2. ^ a b Haykin, Simon (1999). "9. Self-organizing карты ", Нервные системы - всестороннее учредительство, 2-ой вариант, Prentice-Hall. ISBN 0-13-908385-5. 
  3. ^ Intro к SOM Teuvo Kohonen. Toolbox SOM. Retrieved дальше 2006-06-18.
  4. ^ H. Yin. Учя нелинейные главным образом коллекторы путем Собственн-Организуя карты, В: A. Gorban. N. et al (Eds.), LNCSE 58, Springer, 2007 ISBN 978-3-540-73749-0
  5. ^ Kaski, S. "Исследование данных использующ self-organizing карты, Acta Polytechnica Scandinavica, математику, вычислять и управление в нет серии инженерства. 82, Espoo 1997, 57 pp.".

R. Rustum, Adeloye A.J., и Scholz M. , 2008. Прикладывающ карту Kohonen Self-organizing как датчик средства программирования для того чтобы предсказать биохимический кислород потребуйте. Исследование окружающей среды воды, 80 (1), 2008.

Rustum r и A.J.Adeloye, 2007. Заменять ть останцы и пропавшие значения от активированных данных по шуги использующ карту Kohonen selforganizing. Журнал моделирования условий эксплуатации, cVol. 133, нет. 9, 1-ое сентября 2007, pp. 909-916.

См. также

Внешние соединения

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

 
Custom Search