Slovník | Vyhledávání | Mapa webu
 
Analýza a hodnocení biologických datUmělá inteligence Soutěživé sítě Jednoduchá soutěživá síť MAXNET Adaptační dynamika

Logo Matematická biologie

Adaptační dynamika

Váhy soutěživé vrstvy zůstávají po celou dobu adaptace i aktivní dynamiky konstantní. Adaptaci podléhají pouze váhy, kterými jsou ohodnoceny vazby ze vstupní do kompetiční vrstvy. Učení probíhá na základě vstupů z trénovací množiny.

(5)

Typické kroky soutěživého učení platné i v síti MAXNET jsou:

  • Nastavení pevných hodnot vah  kompetiční vrstvě.
  • Nastavení hodnot vah vstupní vrstvy na náhodné hodnoty, nebo lze tyto hodnoty nastavit na základě apriorní znalosti o předpokládaných shlucích (typický reprezentant). Jednotlivou váhu mezi -tým prvkem vstupního vektoru a -tým neuronem soutěživé vrstvy zpravidla volíme v intervalu tak, aby
  • Předložení vstupního vektoru síti.
  • Výpočet primárních výstupů neuronů soutěživé vrstvy.
  • Kompetice neuronů v jednotlivých krocích v soutěživé vrstvě (vstup odpojen).
  • Určení vítězného neuronu, reprezentanta s nenulovým výstupem.
  • Úprava vah vítězného neuronu
(6)

a jejich normalizace na

(7)
  • Opakování postupu pro další vstupní vektor Koeficient  se obvykle v průběhu učení sítě postupně snižuje. Tento postup urychluje konvergenci sítě.

Příklad.

Mějme síť z obrázku Soutěživé sítě 2. Předpokládejme počáteční nastavení vah neuronů a  a Například pro vektor bude výstup neuronu před zahájením laterální inhibice roven a vektoru Po ukončení kompetice bude vítězným neuron (), provedeme tedy úpravu vektoru jeho vah dle vztahu Soutěživé sítě (7). Zvolme Počet neuronů

Pak budou váhy po předložení prvního vstupu rovny

Po takto upravených vahách by síť klasifikovala pro shluk vstupů    do třídy reprezentovaného neuronem pro shluk vstupů    pak do třídy Ostatní vektory nebudou zařazeny do žádné z tříd

Podobně bychom v adaptaci vah pokračovali i pro další předkládané vstupy. Důležitou vlastností je, že v uvedeném algoritmu neurčujeme explicitně třídu, do které má být ten který vstup zařazen, není a nemůže být tedy vyhodnocována žádná chyba klasifikace sítě. Síť vytváří shluky samostatně, pouze na základě předkládaných vstupů. Jedná se tedy o učení bez učitele.

 
vytvořil Institut biostatistiky a analýz Masarykovy univerzity | | zpětné odkazy | validní XHTML 1.0 Strict