Top 10 artiklarna

Squier '51
Badoo
Fluid dynamik
/ma/enwiki/sv/nasza-klasa.pl
Fransk konjugation
Odnoklassniki.ru
Sora Aoi
Alnico
Kanokkorn Jaicheun
Aggregatibacter actinomycetemcomitans

News:

Self-organizing kartlägga

A self-organizing kartlägga (SOM) är en typ av konstgjorda neural knyter kontakt det är utbildat använda unsupervised att lära till jordbruksprodukter tar prov ettdimensionellt (typisk tvådimensionellt), den discretized framställningen av mata inutrymmet av utbildningen, kallat a kartlägga. Kartläggasökandena till den sylten topologiskt rekvisita av mata inutrymmet.

Detta gör SOM användbar för visualisera låg-dimensionellt beskådar av kick-dimensionella data, liknande till multidimensional gradering. Modellera beskrevs först som ett konstgjort neural knyter kontakt vid Finska professor Teuvo Kohonen, och kallas ibland a Kohonen kartlägger.

Mest konstgjord neural för något liknande knyter kontakt, SOMs fungerar itu funktionslägen: utbildning och kartlägga. Utbildning bygger använda för kartlägga matar in exempel. Det är ett konkurrenskraftigt processaa, också kallat vektorquantization. Att kartlägga automatiskt klassificerar ett nytt matar in vektorn.

Tillfredsställer

Knyta kontakt strukturerar

Ett self-organizing kartlägger består av delar som kallas knutpunkter eller neurons. Tillhörande med varje knutpunkt är en vägavektor av samma dimensionerar som ingångsdatavektorerna och en placera i kartläggautrymmet. Den vanliga ordningen av knutpunkter är en stamgäst som görar mellanslag i ett sexhörnigt eller rektangulärt raster. De self-organizing kartlägger beskriver kartlägga från ett högre dimensionellt matar in utrymme till ett lägre dimensionellt kartlägger utrymme. Tillvägagångssättet för att förlägga en vektor från datautrymme på kartlägga är att finna knutpunkten med det mest nära väger vektorn till vektorn som tas från datautrymme och att tilldela kartläggakoordinaterna av denna knutpunkt till vår vektor.

Stunder som det är typisk att betrakta denna typ av, knyter kontakt strukturerar som släkt till feedforwarden knyter kontakt var knutpunkterna visualiseras som fästas, är denna typ av arkitektur grundläggande olik i ordning och motivation.

Användbara f8orlängningar inkluderar genom att använda toroidal raster, var motsats kantar, är förbindelse och genom att använda stort antal av knutpunkter. Det har visats att den self-organizing stunden kartlägger med ett litet nummer av knutpunkter uppför i långt som är liknande till K-hjälpmedel, kartlägger större self-organizing organiserar om data i långt som är grundläggande topologisk i tecken.

Det är också vanligt att använda U-matrisen. U-matrisen värderar av en särskild knutpunkt är genomsnittet distanserar mellan knutpunkten och dess mest nära grann. I ett rektangulärt raster för anföra som exempel, kan vi betraktar de mest nära 4 eller 8 knutpunkterna.

Stor SOMs skärmrekvisita som är emergent. Därför stort kartlägger är helst till mindre. I kartlägger att bestå av tusentals knutpunkter, det är möjligheten som ska utföras, samla i en klunga funktioner på kartlägga sig själv.[1]

Lärande algoritm

Målet av att lära i det self-organizing kartlägger är att orsaka olika delar av knyta kontakt för att reagera på motsvarande sätt till bestämt matar in mönstrar. Detta motiveras delvis av hur visuellt hjälpmedel, hörsel- eller annan sensoriskt information behandlas i separata delar av cerebral cortex i människahjärna.[2]

Väger av neuronsna initialiseras endera till litet slumpmässigt värderar eller tog prov jämnt från subspacen som spännas över av de största tvåna del- rektor  eigenvectors. Med det mer sistnämnda alternativet är att lära mycket snabbare, därför att det initialt väger redan give som bra närhet av SOM väger.[3]

Knyta kontakt måste matas ett stort nummer av exempelvektorer, som föreställer, så tätt som möjligheten, sorterna av vektorer som förväntas under att kartlägga. Exemplen administreras vanligt flera tider.

Utbildningen använder konkurrenskraftigt lära. När ett utbildningsexempel matas till knyta kontakt som är dess Euclidean distansera till alla väga vektorer beräknas. Neuronen med väger vektorn som är mest liknande till mata in, kallas den bäst matcha enheten (BMU). Väger av BMUEN, och neurons nästan justeras den i SOM-gallret in mot mata invektorn. Storleken av ändringsminskningarna med tid och med distanserar från BMUEN. Uppdateringformeln för en neuron med väger vektorn Wv(t) är

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

var α (t) är a monotonically minska lära som är samverka och D(t) är mata invektorn. Grannskapen fungerar Θ (v, t) beror på gallret distanserar mellan BMUEN och neuronen v. I det enklast bilda den är en för alla neurons tätt nog till BMU och nolla för andra, men a gaussian fungera är en prima allmänning, för. Utan hänsyn till det funktionellt bilda, grannskapen fungerar hjärnskrynklare med tid.[2] På början, när grannskapen är bred, äger rum det self-organizing på det globala fjäll. När grannskapen har krympt till precis, väger en koppla ihop av neurons är converging till lokalbedömningar.

Detta processaa upprepas för varje matar in vektorn för (vanligt stort) a numrerar av cyklar λ. Knyta kontakt lindar upp att förbinda tillverkade knutpunkter med grupper eller mönstrar i ingångsdatauppsättningen. Om dessa mönstrar kan namnges, namnger kan fästas till de tillhörande knutpunkterna i som netto utbildas.

Under att kartlägga ska det är en singel segra neuron: neuronen vars väger vektorlies som är mest nära till mata invektorn. Detta kan vara enkelt beslutsamt vid beräkna det Euclidean distanserar matar in vektorn och väger between vektorn.

Stunden som föreställer ingångsdata som vektorer, har betonats i denna artikel, bör det noteras att någon sort av anmärker som kan föreställas digitalt, och, som har en anslå att distansera, mäter tillhörande med det, och i vilka de nödvändiga funktionerna för utbildning är, möjlighet vara kan den van vid tankeskapelsen som ett self-organizing kartlägger. Detta inkluderar matriser som är fortlöpande fungerar, eller även kartlägger annat self-organizing.

Exempel

Förberedande åtgärddefinitioner

Betrakta en samling 10×10 av knutpunkter varje av som innehåller en vägavektor och är medveten av dess läge i samlingen. Varje väger vektorn är av samma dimensionerar, som knutpunkten matar in vektorn. Väger är uppsättningen till slumpmässigt värderar initialt.

Nu behöver vi att mata in för att mata kartlägga. (Frambragda kartlägger, och givna matar in finns i separata subspaces), ska vi skapar tre vektorer för att föreställa färgar. Färgar kan föreställas av deras rött, görar grön och slösar delar. Därför vårt mata in ska vektorer har tre delar, varje som motsvarar till ett färgautrymme. De ska mata invektorerna är:

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

Variabler

Vektorer är in djärvt

t- = strömupprepnings
λ = begränsar i rätt tid upprepning
Wv = väger strömmen vektorn
D = uppsätta som mål matar in
 Θ (t) = tvång distanserar tack vare från BMU - kallade vanligt neighbourhooden fungerar
 α (t) = lärande tid för tvång tack vare

Kliva till och med algoritmen

  1. Randomize översiktens knutpunkter väger vektorer
  2. Hastigt grepp en mata invektor
  3. Korsa varje knutpunkt i kartlägga
    1. Bruk Euclidean distansera formeln som finner likhet mellan mata invektorn och översiktens knutpunkt, väger vektorn
    2. Spåra knutpunkten som producerar det minst distanserar (denna knutpunkt är den bäst matcha enheten, BMU),
  4. Uppdatera knutpunkterna i neighbourhooden av BMU, genom att dra dem närmare mata invektorn
    1. Wv(t + 1) = Wv(t) + α för Θ (t) (t) (D(t) - Wv(t))
  5. Öka t- och repetitionstunder t < λ

Tolkning

Det finns två väg att tolka en SOM. Därför att i utbildningen arrangera gradvis väger av den hela grannskapen är rört i den samma riktningen, liknande objekt ansar för att upphetsa närgränsande neurons. Därför bildar SOM ett semantiskt kartlägger, var liknande, tar prov kartläggas tätt tillsammans och olikt apart.

Annat är långt till funderare av neuronal väger som pekare till mata inutrymmet. De bildar en åtskild närhet av fördelningen av utbildning tar prov. Mer neurons pekar till regioner med kickutbildning tar prov koncentration, och mer få, var tar prov, var knapp.

SOM kan vara ansedd en ickelinjär generalization av främsta del- analys[4].

Alternativ

Generativt topographic kartlägger (GTM) är ett potentiellt alternativ till SOMs. I avkänningen, att GTM kräver tydligt en släta och fortlöpande kartlägga från mata inutrymmet till kartläggautrymmet, är det att bevara för topologi. Emellertid i en praktisk avkänning, mäter detta av topologiskt bevarande saknar.[5]


Hänvisar till

  1. ^ Ultsch Alfred (2007). Uppkomst i Self-Organizing särdrag kartlägger, i förfaranden som seminariet på Self-Organizing kartlägger (WSOM '07). Bielefeld Tyskland. ISBN 978-3-00-022473-7. 
  2. ^ a b Haykin Simon (1999). "9. Self-organizing kartlägger ", Neural knyter kontakt - ett omfattande fundament, 2nd upplaga, Prentice-Hall. ISBN 0-13-908385-5. 
  3. ^ Intro till SOM av Teuvo Kohonen. SOM-Toolbox. Hämtat på 2006-06-18.
  4. ^ Yin H. Lärande ickelinjära främsta grenrör av Själv-Uppläggning Kartlägga, I: Gorban A. N. et al (Eds.), LNCSE 58, Springer, 2007 ISBN 978-3-540-73749-0
  5. ^ Kaski S. "Att använda för datautforskning som är self-organizing, kartlägger, actaen Polytechnica Scandinavica, matematik, beräkning och ledning, i att iscensätta serienr.en. 82 Espoo 1997, 57 pp.".

Rustum R., Adeloye A.J. och Scholz M. , 2008. Applicera Self-organizing Kohonen kartlägga som en programvaruavkännare för att förutsäga den Biochemical syrebegäran. Bevattna miljöforskning, 80 (1), 2008.

Rustum R och A.J.Adeloye, 2007. Byta ut outliers och saknad värderar från aktiverade dydata som använder selforganizing Kohonen, kartlägger. Föra journal över av miljö- iscensätta, Vol. 133 nr. 9 September 1, 2007, pp. 909-916.

Se också

Utsidan anknyter

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

 
Custom Search