náhled|Trénování samoorganizující sítě s čtvercovou topologií, červené body jsou vstupní vzory, nabalující na sebe během učení tmavé body sítě, která se tak přizpůsobuje vstupním datům. Samoorganizující síť (Self-Organizing Map, SOM) neboli Kohonenova mapa či Kohonenova síť je typ dvouvrstvé dopředné umělé neuronové sítě pracující na principu učení bez učitele. Vynalezl ji finský vědec Teuvo Kohonen. Neurony výstupní vrstvy této sítě jsou prostorově uspořádány a mají definováno okolí, tj. své nejbližší neurony. Jako jejich topologická struktura se obvykle používá dvojrozměrná čtvercová nebo hexagonální oblast. Jeden krok učení vypadá tak, že se síti předloží vstupní vzor, nalezne se jemu nejbližší tzv. gain neuron, pomocí tzv. laterální inhibice, který vyhrává soutěž (kompetici) o předložený vstupní vzor a poloha tzv. váhového vektoru tohoto neuronu i neuronů z jeho topologického okolí se upraví tak, aby tyto vektory ležely o něco blíže předloženému vstupnímu vzoru. Během postupného předkládání vstupních vzorů se umístění váhových vektorů neuronů distribuuje do vstupních dat a tuto distribuci promítá do typicky dvojrozměrného prostoru své mřížky.
Laterální inhibice Proces minimalizace energie stavu výstupní vrstvy sítě, která tvoří spojitou Hopfieldovu síť, realizovaný aktivní dynamikou sítě, kdy excitovaný neuron výstupní vrstvy s maximálním ziskem potenciálu inhibuje prostřednictvím záporných interních vazeb ostatní neurony výstupní vrstvy, označíme jako laterální inhibici. Laterální inhibice, určující na základě předloženého vzoru jemu odpovídající stav výstupní vrstvy, nahrazuje v trénovací množině chybějící výrok učitele. Laterální inhibice v každém adaptačním kroku zabezpečí adaptaci pouze váhového vektoru odpovídajícího gain neuronu, tj. váhového vektoru nejbližšího předloženému vzoru.
thumb|Lateralní inhibice – zeleně vyznačeny interní vazby mezi neurony výstupní vrstvy Budou-li předkládané vzory resp. váhové vektory normální, pak vzdálenost mezi uvedenými vektory můžeme definovat jako jimi sevřený úhel (neeuklidovská metrika) a pro energetickou funkci a zisk potenciálu pak bude platit:
pro
tj. pro a
kde , a .
Výše uvedená energetická funkce pak nabude svého minima, právě když bude excitován právě jeden neuron výstupní vrstvy a to neuron s maximálním ziskem potenciálu, tzv. gain neuron.
Užití náhled|Kohonenova mapa roční historie znázorňující rozmístění objektů charakterizovaných typem dne v týdnu, tj. pracovní den, sobota, neděle Síť se užívá k shlukové analýze (segmentaci) n‑rozměrných dat. Kohonenovu mapu, popisující rozložení jednotlivých prvků dat (n‑složkových vektorů) v n‑rozměrném prostoru, lze číst jako mapu krajiny s vyznačenými kótami, vyjadřujícími nadmořskou výšku daného místa v krajině, tj. počet kopců v krajině (ostrovů v moři) značí počet shluků prvků dat a vrcholy kopců (ostrovů) pak značí středy shluků dat. Každému okótovanému místu v krajině odpovídá váhový n‑složkový vektor, přičemž váhové vektory jsou v daném prostoru rozloženy dle stejné distribuční funkce, podle jaké jsou rozloženy v prostoru prvky dat (viz obrázek).
Reference
Externí odkazy
Kohonenova síť – Bakalářská práce (Michal Kaňa)
Kategorie:Umělé neuronové sítě