Professional Documents
Culture Documents
Կոհոնենի ցանցեր
Կոհոնենի ցանցեր
Կոհոնենի ցանցեր
1
Ի տարբերություն այլ տիպի նեյրոնային ցանցերի, Կոհոնենի ցանցը չունի թաքնված
շերտեր: Մուտքային շերտից տվյալները անմիջականորեն փոխանցվում են ելքային շերտ, որի
նեյրոնները դասավորված են միաչափ կամ երկչափ կառուցվածքներում՝ կազմելով
ուղղանկյուններ կամ վեցանկյուններ:
Մուտքային նեյրոնները ձևավորում են ցանցի մուտքային շերտը, որը պարունակում է
մեկական նեյրոն յուրաքանչյուր մուտքային ազդանշանի համար։ Ինչպես սովորակոն
նեյրոնային ցանցերում, մուտքային նեյրոնները չեն մասնակցում ուսուցման պրոցեսում,
նրանց նպատակը նախնական ընտրանու մուտքային արժեքների փոխանցումն է հաջորդ
շերտի նեյրոններին։
Ցանցի մուտքային շերտին տրվում է 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑚 ) մուտքային վեկտորը:
Կոհոնենի շերտը բաղկացած է 𝑛 զուգահեռ գործող տարրերից՝ նեյրոններից։ Նրանցից
յուրաքնչյուրն ունի 𝑚 թվով մուտքեր և իր մուտքում ստանում է մուտքային ազդանշանի նույն
𝑋 = (𝑥1 , 𝑥2 , … , 𝑥𝑚 ) վեկտորը:
Ցանցում մուտքային և ֆունկցիոնալ շերտերի նեյրոնների միջև յուրաքանչյուր կապ ունի
որոշակի կշիռ: Կապերի կշիռները սկզբնարժեքավորվում են կամայական (պատահական)
արժեքներով [0,1] միջակայքից։ Ուսուցման գործընթացը կայանում է կշիռների կարգավորման
մեջ։
Կոհոնենի շերտի 𝑗 −րդ նեյրոնի ելքում ձևավորվում է
𝑧𝑗 = 𝑤𝑗0 + ∑𝑚
𝑖=1 𝑤𝑗𝑖 𝑥𝑖 (1)
ազդանշանը, որտեղ 𝑤𝑗𝑖 - ն՝ 𝑗-րդ նեյրոնի 𝑖-րդ մուտքի կշռային գործակիցն է, 𝑖 -ն մուտքի
համարն է, 𝑗 - ն նեյրոնի համարն է, 𝑤𝑗0 -ն շեմային գործակիցն է:
Կոհոնենի ցանցի կառուցման հիմքում ընկած է մրցակցային ուսուցումը, երբ ելքային
հանգույցները (նեյրոնները) մտնում են մրցակցության մեջ հաղթող դառնալու իրավունքի
համար (նկ. 2)։
2
Նկ. 2. Կոհոնենի ցանցի օրինակ
3
Կոհոնենի ցանցի ուսուցում
նեյրոնը, որի հեռավորությունը մուտքային վեկտորից մինիմալն է: Այդ նեյրոնը ելքում ստանում
է 1, իսկ մնացած նեյրոնները՝ 0:
Հաղթող նեյրոնը իրավունք է ստանում փոխելու իր կշռային վեկտորը 𝑥 վեկտորի
ուղղությամբ հետևյալ կանոնով
նոր հին հին
𝑤յ∗ = 𝑤𝑗 ∗ + 𝛼(𝑥 − 𝑤𝑗 ∗ ),
որտեղ 𝑗 ∗ -ը՝ հաղթող նեյրոնի համարն է, 𝛼 − ն (0 < 𝛼 < 1)՝ ուսուցման արագության
գործակիցն է, որը կարող է փոքրանալ ուսուցման ընթացքում:
Մնացած նեյրոնների կշիռները չեն փոփոխվում:
WTA ալգորիթմով ցանցի ուսուցման արդյունքները կախված են 𝜶 գործակցի արժեքից:
Եթե 𝛼 = 1 , ապա կշռային վեկտորը հավասարվում է մուտքային վեկտորին հենց
առաջին իտերացիայից հետո: Նոր մուտքային վեկտորի դեպքում նեյրոնը հարմարեցվում է
այդ վեկտորին, իսկ նախորդ արժեքները “մոռացվում են” :
Եթե 𝛼 < 1, ապա ուսուցման արդյունքում նեյրոնի կշիռներն ընդունում են այդ նեյրոնն
ակտիվացնող մուտքային վեկտորների համապատասխան կոմպոնենտների միջինացված
արժեքները:
4
որտեղ 𝛼𝑖 –ն 𝑖-րդ նեյրոնի ուսուցման գործակիցն է, 𝐺(𝑖, 𝑥) ֆունկցիայով որոշվում է WTM
ալգորիթմի տարբերակը:
Եթե
1, եթե 𝑖 = 𝑗 ∗
𝐺(𝑖, 𝑥) = {
0, եթե 𝑖 ≠ 𝑗 ∗
որտեղ 𝑗 ∗ -ն հաղթող նեյրոնն է 𝑥 մուտքային վեկտորի համար, ապա ստանում ենք WTA
ալգորիթմը:
Կոհոնենի ալգորիթմ
1, եթե 𝑑(𝑖, 𝑗 ∗ ) ≤ 𝜀
𝐺(𝑥, 𝑖) = {
0, եթե 𝑑(𝑖, 𝑗 ∗ ) > 𝜀
5
որտեղ 𝑡 ` ժամանակի պահն է (իտերացիայի համարը), 𝜎0 –ն Կոհոնենի ցանցի լայնությունն է
ժամանակի 𝑡0 պահին, 𝜆-ն՝ հաստատուն է:
Համաձայն Կոհոնենի, ուսուցման 𝛼𝑖 արագությունը ևս պետք է լինի նվազող ֆունկցիա
ուսուցման իտերացիաների քանակի նկատմամբ (t –ից կախված)։
𝐺(𝑥, 𝑖) ֆունկցիան սահմանվում է հետևյալ կերպ
𝑑2 (𝑖,𝑗∗ )
(− )
𝐺(𝑥, 𝑖) = 𝑒 2∗𝜎2 .
6
Այլ կերպ, հաշվարկվում է ելքային շերտի բոլոր նեյրոնների կշռային վեկտորների և
մուտքային վեկտորի միջև հեռավորությունը։ Այն նեյրոնը, որի համար հեռավորությունն
ամենափոքրն է, կլինի հաղթող։
4. Միավորում. Որոշվում են բոլոր նեյրոնները, որոնք տեղակայված են ուսուցման
շառավղի սահմաններում հաղթող նեյրոնի նկատմամբ։
5. Հարմարեցում. Կատարվում է նեյրոնների կշիռների հարմարեցում ուսուցանման
շառավղի սահմաններում՝ համաձայն համապատասխան բանաձևի։ Այն նեյրոնների
կշիռները, որոնք ավելի մոտ են հաղթող նեյրոնին, հարմարվում են նրա կշռի վեկտորի
կողմը (նկ. 3, մուտքային վեկտորի կոորդինատները նշված են «+» նիշով, իսկ ցանցի
տեսքը փոփոխությունից հետո՝ կետագծերով)։
7
կշիռների փոփոխություները դառնում են աննշան:
8
Նկ.5. Կլաստերավորման արդյունք. նեյրոնների քանակ-4, կլաստերների քանակ-4,Q=0.35
9
Նկ.7. Կլաստերավորման արդյունք. նեյրոնների քանակ-9, կլաստերների քանակ-6,Q=0.04
10
Կոհոնենի քարտեզը բաղկացած է ուղղանկյուն կամ վեցանկյուն տեսքի սեգմենտներից,
որոնք կոչվում են բջիջներ (նկ. 8)։
11
Նկ. 9-ում ցուցադրված է ինքնակազմակերպվող քարտեզի տեսքը ուսուցումից հետո:
Գույնով մոտ բջիջները պարունակում են ըստ իրենց հատկությունների մոտ օբյեկտ-
տվյալները:
Քարտեզները ինքնին խմբավորման խնդիր չեն լուծում, այլ թույլ են տալիս առաջադրել
հիփոթեզներ տվյալներում խմբային կառուցվածքի և կախվածությունների առկայության
մասին։ Առաջադրված հիփոթեզները պետք է հաստատել այլ մեթոդներով, քանի որ նրանք
կարող են սխալ լինել։
12
ներկայացվում են գունավոր կետերի տեսքով: Մոտ մուտքային վեկտորներին քարտեզի վրա
համապատասխանում է տվյալ գունային տիրույթը: (նկ. 10, 11):
Ընդհանուր դեպքում կարող ենք հաշվարկել ցանցի ելքային նեյրոնի ելքային ազդանշանը և
քարտոզի վրա արտապատկերելու նպատակով ներկայացնել այն եռաչափ գունային
ազդանշանի տեսքով:
13