Professional Documents
Culture Documents
Reguli de nvare
Fiecare tip de reea i modific ponderile n funcie de anumite reguli de nvare care
depind att de tipul datelor de intrare ct i de modul de construcie al reelei. Capacitatea de
nvare reprezint o trstur fundamental a inteligenei. n cadrul reelelor neurale nvarea
const n modificarea reelei pentru a-i adapta comportamentul la necesitile rezolvrii unei
probleme specifice. n general sunt modificaii coeficienii sinaptici (ponderile legturilor), uneori
modificndu-se numrul de uniti i sau configuraia reelei. Principalul avantaj al reelelor
neuronale n comparaie cu sistemele expert clasice este acela c, n loc de a folosi un set de
reguli date de un expert uman, are loc o nvare prin exemple.
Din punct de vedere al organizrii datelor de intrare exist dou categorii de nvare:
Reelele competitive
n multe reele neurale exist un strat de neuroni care evolueaz pe baza competiiei
ntre neuroni. Cale mai cunoscute reele sunt Counterpropagation i Hrile Topografice ale lui
Kohonen.
n procesul winner takes all neuronul care este iniial cel mai activat va domina treptat
i va deveni cu activare maxim n timp ce ceilali neuroni din competiie se vor dezactiva. n
multe reele neurale procesul winner takes all este necesar pentru a selecta, n timpul nvrii
sau a procesrii, neuronul cu activarea maxim.
reelei SOM const ntr-o matrice bidimensional de uniti de ieire, fiecare conectat cu toate
cele n uniti de intrare. Fie
w ij
matricii bidimensionale. Fiecare neuron de ieire calculeaz distana dintre vectorul de intrare x
i vectorul pondere wij memorat. Ponderea neuronului nvingtor (i a celor din vecintatea
acestuia) pentru pasul urmtor se calculeaz dup urmtoarea formul (formula lui Kohonen),
acesta modificndu-se dup fiecare vector de intrare fiind astfel din categoria reelelor cu
nvare online:
w i ( t + 1 )=
(1)
Unde
Idea acestui algoritm este c se caut unitatea nvingtoare pentru fiecare vector de
intrare (la fel ca la algoritmul anterior cel bazat pe asociere pe baza similaritiilor), dar
modificarea coeficienilor sinaptici se realizeaz nu numai pentru unitatea nvingtoare ci (n
general cu un coeficient mai redus) i pentru unitile aflate n vecintatea acestei uniti,
vecintate definit de o vecintate v. Acest mod de modificare a coeficienilor ncurajeaz
unitile vecine s rspund n mod similar la vectori de intrare similari; reeaua este astfel o
hart a mulimii vectorilor de intrare.
(2)
5. La toi neuroni care sunt vecini (la pasul respectiv) cu neuronul nvingtor se
recalculeaz ponderea dup aceeai formul (formula 1).
6. dac coeficientul de nvare () a ajuns la 0 se consider c reeaua a nvat
deoarece nu vor mai avea loc modificri n reea (conform formulei lui Kohonen)
7. dac coeficientul de nvare nu a ajuns la 0 se sare la pasul 3
n cadrul SOM vecintatea joac un rol esenial. n cazul dispunerii neuronilor pe o gril
ptrat vecintatea unui neuron este definit ca fiind toi neuronii vecini din cadrul matricei care
sunt in domeniul
matricea de start iar v este vecintatea la acel moment dat. Exist mai multe formule pentru
calculul vecintii i al coeficientului de nvare la pasul t, acestea depinznd foarte mult de
aplicaie. Un exemplu de astfel de formul pentru aplicaia curent ar fi:
1
N
Vecinatate ( t )=6.1 e +1
( t )=0.01 e
1
N
Obs:
- Se consider un pas numai n momentul n care s-a terminat de prezentat reelei tot
setul de date de antrenament.
- Coeficientul 6.1 pentru vecintate este ales deoarece vrem s pornim cu o vecintate
mare la nceput (se recomand vecintatea s fie aproximativ 60-70% din numrul de neuroni
de pe o dimensiune a reelei). Coeficientul 6.1 a fost ales pentru o reea de 10x10 neuroni.
- Coeficientul de 0,01 la rata de nvare () este ales deoarece vrem ca rata de nvare
s fie suficient de mic nct s tind repede la 0.
Bibliografie
1.
2.
3.
4.
5.
http://webspace.ulbsibiu.ro/daniel.morariu/html/StudentDoc/ML/IA-laborator3.pdf
http://www.victorneagoe.com/university/prai/lab3b.pdf
http://en.wikipedia.org/wiki/Self-organizing_map
http://jknnl.sourceforge.net/
http://www.heatonresearch.com/articles/6/page3.html