79
Rozdział 6. Sieci rezonansowe
Y9 =
□
Wówczas obszar, w którym spotykają się sygnały wyjściowe Y° z wejściowymi X ulega wzmocnieniu na zasadzie teorii rezonansu. Obszar ten, oznaczany czasem Y*nX ma w omawianym przykładzie postać
i jest lepiej dopasowany do realizacji postawionego przed siecią zadania klasyfikacji od pierwotnego obszaru pobudzeń ,,zwycięskiego” elementu wyjściowej warstwy sieci. YV pierwszym przybliżeniu można przyjąć, że obszar Y^flX odpowiada obszarowi, w którym sygnały pierwszej warstwy są niczerowe, a więc rozkład pobudzeń pierwszej warstwy (pomijając pewne bardziej subtelne mechanizmy) można zapisać jako
Yd =Y* nx
Działanie mechanizmu uczenia jest —jak wynikało z przytoczonych uprzednio wzorów — dość złożone i subtelne, ale w przybliżeniu może być ono opisane następująco. Modyfikacji podlegają jedynie wagi połączeń vĄt dochodzących do „zwycięskiego” elementu warstwy wyjściowej oraz wagi połączeń wfs (i = 1,2,...,n) biorących początek w „zwycięskim” neuronie. Wszystkie pozostałe połączenia pozostają nic zmienione.
Modyfikacja połączeń polega (z grubsza) na tym, że wszystkie wagi w?, odpowiadające połączeniom z pobudzonymi elementami pierwszej warstwy (Yf< = Y? f~lX) przymują wartości l, a wszystkie pozostałe 0- Warto zauważyć, że jest to zabieg dość brutalny i pozbawiony subtelności charakterystycznych dla niektórych innych metod uczenia! Podobnie modyfikowane są wagi połączeń „w górę” wf, — ich wartości są zerowane dla wszystkich niepobudzonych elementów warstwy wejściowej, względnie są ustawiane na pewną wartość zależną od liczby pobudzonych elementów w przypadku połączeń biorących początek w tych pobudzonych neuronach.
Opisane wyżej działanie sieci ART dotyczyło sytuacji, kiedy na wejście sieci podawane są określone, niezerowe sygnały X. W takim wypadku działanie sieci jest — jak wykazano wyżej — sensowne i celowe. Jeśli jednak na wejściu sieci nie ma sygnałów (X = 0), to może się zdarzyć, że na którymś z wyjść drugiej warstwy pojawi się na chwilę sygnał y? 0. Na