Определение структуры сети

Нейронная сеть может быть создана с использованием меню File / New и инструмента Create Layers. Для решения нашей задачи она имеет следующую структуру.

Первый слой {Layer 1) имеет 4 входные единицы (Input), организованных вертикально в одну колонку.

Второй слой {Layer 2) имеет 64 скрытых (Hidden) нейрона: 8 по оси X и 8 по оси Y. Эти нейроны должны быть конфигурированы с функцией активации ActEuclid, чтобы реализовать евклидову дистанцию в данном примере.

Оба слоя могут быть связаны с помощью Tools / Connections. Для этого нужно выбрать входные единицы {Layer 1) с помощью мыши и определить их как Source Units. После этого можно выбрать скрытые единицы {Layer 2) и определить их как Destination Units. В окне должна появиться сеть со связанными слоями (рис. 15.6).

Рис. 15.6. Структура нейронной сети.

Файл паттернов должен быть загружен с использованием панели File / Open главного меню.

Процесс обучения сети.

Выполнение предыдущих действий дало возможность определить структуру нейронной сети и набор паттернов, который определяет пространство входов. Теперь должна быть открыта Control Panel.

В нашем случае 6 вкладок этой панели должны быть заполнены следующим образом.

• • Initializing — содержит функцию инициализации Self-Organizing Maps, ver.3.2 и ее параметры: min value — «-1» и max value — «1».
• • Updating — содержит функцию обновления Kohonen Order и ее параметры.
• • Learning — определяет такую функцию обучения и ее параметры (рис. 15.7):
  • — Learning Function'. Kohonen;
  • — Parameter h (0): 1,0;
  • — Parameter r (0): 4,0;
  • — Parameter aH: 0,98;
  • — Parameter aR: 0,98;
  • — Parameter h: 8;
  • — Cycles'. 1000;
  • — Steps: 1.
• • Pruning — определяется по умолчанию.
• • Patterns — содержит определения наборов паттернов Training Set, Validation Set. Оба набора должны быть указаны как в загруженном главном наборе.
• • Subpattems — должна содержать определения субнаборов (здесь они не прописаны).

Рис. 15.7. Управляющая панель для обучения сети

Пять параметров функции обучения «Kohonen» имеют следующее назначение:

• • Adaptation Height (Learning Height) h (0) — представляет константу обучения г| и определяет силу адаптации (изменяется от 0 до 1);
• • Adaptation Radius (Learning Radius) r{0) — представляет размер радиуса соседства нейрона-победителя, у всех нейронов внутри этого радиуса векторы весов адаптируются (изменяется от 1 до горизонтального размера карты);
• • Decrease Factor а Я — определяет, как монотонно уменьшить параметр h (0) после представления каждого паттерна;
• • Decrease Factor aR — определяет, как монотонно уменьшить параметр г (0) после представления каждого паттерна;
• • Horizontal Size h — поскольку используется двумерная карта Кохонена, функция обучения должна иметь параметр, определяющий ее размер, который обычно устанавливается избыточным, чтобы сделать визуализацию результата более точной.

После установки всех функций и параметров должна быть запущена процедура вычисления весов связей нейронной сети, для чего нужно нажать кнопку Init во вкладке Learning. Далее нажатием кнопки Learn All можно активизировать процесс обучения сети по всем паттернам из файла паттернов последовательно в течение 100 циклов. После окончания процесса обучения должна быть открыта таблица Updating. В правом нижнем углу может быть показан индивидуально каждый паттерн, который используется для тестирования результатов работы сети.

Результаты тестирования нейронной сети можно видеть на рис. 15.8. Каждый из приведенных вариантов сети показывает ее реакцию на каждый паттерн винта. Заметим, что в данном варианте сети Кохонена используется евклидова дистанция для определения нейрона-победителя, причем чем больше дистанция, тем больше активация нейрона. При этом цвет клетки нейрона будет больше зеленеть, когда дистанция растет, а голубой цвет клетки, соответственно, указывает на короткую дистанцию. Поэтому зеленая область показывает зону нейронов, плохо реагирующих на представленный паттерн винта, в то время как голубая область является зоной нейронов с хорошей реакцией на этот паттерн.

Рис. 15.8. Ответы нейронной сети на разные паттерны винтов.

Из анализа приведенных на рис. 15.8 фигур можно сделать следующие выводы:

• • вариант а показывает ответ нейронной сети на винт тина 0;
• • вариант 6 показывает ответ нейронной сети на винт типа 1;
• • вариант в показывает ответ нейронной сети на винт типа 2;
• • вариант г показывает ответ нейронной сети на винт типа 3.

Таким образом, нейронная сеть научилась распознавать 4 типа винтов: 0 — я, 1 — б, 2 — в, 3 — г. Это дает возможность разместить винты разных типов в разные ящики.