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
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.
