Как работают неройсети Кохонена
Стандартные нейросети обладают прямой структурой, исключающей попадание сигнала с выходов нейронов снова на вход. Такие сети обучаются по большей части методом обратного распространения ошибки и с «учителем», то есть заранее известным ответом в тренировочных задачах. Однако такие сети недостаточно мощны и не всегда подходят для решения сложных задач.
Альтернативой являются нейросети Кохонена. Для них характерна возможность решения многих задач, связанных с формализацией и классификацией разных объектов.
Структура сети Кохонена
Сеть Кохонена состоит из входного слоя, нескольких слоёв нейронов, сумматора и выходного слоя. На входной слой подаются признаки конкретного объекта, чем больше у него признаков, тем больше требуется принимающих нейронов. Выходами сети Кохонена являются классы, так как задача сети – проанализировать, к какому классу принадлежит объект.
Важно, что один объект в большинстве случаев не может принадлежать к двум классам одновременно, поэтому приходится сталкиваться с задачей исключающего ИЛИ. Такая задача не имеет решения для однослойных нейросетей (персептронов), но многослойные сети, в том числе Кохонена, имеют шанс с ней справиться.
Принцип работы сети Кохонена
Основной задачей для использования такой сети является формализация входящих сигналов. Сеть обязана разложить объект на несколько векторов (признаков), которые впоследствии будут обработаны.
Вторая задача – настроить выходные нейроны. Существует два алгоритма:
1. Каждый выходной нейрон выдаёт импульс определённой силы, которая тем больше, чем выше соответствие объекта конкретному классу. Затем сумматор объединяет полученные значения и делает вывод.
2. Каждый выходной нейрон посылает одно из значений – либо 0, либо 1. При этом значение 1 будет присвоено только одному классу, у всех остальных оно должно быть равным нулю.
Третий вариант – установление пороговой функции, позволяющей отсекать сигналы со слишком малым значением, либо же присвоение значения 1 только самому сильному сигналу, а остальным в этом случае присваивается значение 0.
Нейросети Кохонена всегда обучаются «без учителя». Это делает процесс их обучения более сложным, но позволяет таким сетям решать более сложные задачи, чем это доступно для стандартных систем.
