Обучение сети Кохонена
Сеть Кохонена является одним из вариантов наиболее мощных сетей. Такая сеть всегда обучается без учителя. Чтобы её обучение было выполнено, требуется решить две основных задачи.
Нормализация входных векторов
Под этим подразумевается, что каждый сигнал должен быть преобразован в однонаправленный вектор, говоря языком геометрии. Это необходимое условие для дальнейшего анализа входящего значения сетью. При этом изначально каждый вектор мог являться и многомерным (фактически, состоять из нескольких разнонаправленных). Задача этапа предварительной нормализации входящих векторов состоит в его усреднении, чтобы впоследствии преобразовать его в числовое значение, то есть устранить направление, а оставить только модуль.
Не менее важным фактором является то, чтобы добиться отправки значения с каждого нейрона входящего слоя на конкретный требуемый нейрон слоя обработки данных. Только в этом случае можно получить нужный результат и добиться продуктивной работы нейросети.
Настройка коэффициента скорости обучения
Обучение такой нейросети изначально затруднено в связи с тем, что здесь должно применяться обучение «без учителя». Это значит, что здесь не работает метод обратного распространения ошибки, который подходит для большинства других сетей.
Чем выше коэффициент скорости обучения, тем меньше шаг между двумя значениями, которые подаются в качестве входных векторов. Высокий коэффициент означает маленький шаг, а это гарантированно позволяет подобрать оптимальное значение с первого прохода. Однако если коэффициент слишком высок, приходится сталкиваться с другой проблемой: обучение сети происходит в очень замедленном темпе.
Чтобы этого избежать, в большинстве случаев используют последовательное изменение коэффициента скорости обучения. В начале коэффициент ставится большим, чтобы как можно скорее обнаружить ту область, в которой следует искать оптимальное значение. Когда нейросеть вошла в эту область, значение шага уменьшается, а коэффициент обучения растёт, что помогает достичь наилучшего результата.
Настройка сети Кохонена является сложным делом, однако благодаря этому можно достичь хорошего результата, так как подобные сети значительно превосходят по своим возможностям стандартные, а потому подходят для решения более сложных и нестандартных задач.
