img221 (8)

oprowadzenie do techniki sieci 215

Jeśli się zastanowisz, to zauważysz, że po skończonej nauce neurony podzielą pomiędzy siebie przestrzeń sygnałów wejściowych w taki sposób, że każdy obszar tej przestrzeni będzie sygnalizowany przez osobny neuron. Co więcej, w następstwie działania sąsiedztwa, te neurony, które Ty uznałeś za sąsiednie - będą wykazywały skłonność do rozpoznawania bliskich - czyli podobnych do siebie obiektów wejściowych. Okaże się to własnością bardzo wygodną i bardzo przydatną, gdyż tego typu samoorganizacja jest kluczem do szczególnie inteligentnych zastosowań sieci jako tak zwanych samoorganizujących się odwzorowań. Rozważymy to dalej na konkretnych przykładach...

Przy prezentacji wyników uczenia sieci Kohonena napotkasz jeszcze jedną trudność, którą warto omówić, zanim jeszcze zetkniesz się z konkretnymi wynikami symulacji, żeby potem wszystko było już zupełnie jasne. Otóż przedstawiając wyniki (w postaci zachodzących w trakcie uczenia zmian lokalizacji punktów odpowiadających poszczególnym neuronom) musisz mieć możliwość śledzenia także tego, co się dzieje z sąsiednimi neuronami. Na rysunku 10.5 mogłeś łatwo skorelować to, co się działo ze “zwycięskim” neuronem oraz z jego sąsiadami, ponieważ punktów było niewiele i wykrycie sąsiadów na podstawie zmienionego koloru było łatwe i wygodne. Podczas symulacji będziesz jednak niekiedy miał do czynienia z setkami neuronów i taka technika prezentacji jest niemożliwa do utrzymania. Dlatego podczas prezentacji działania sieci Kohonena nagminnie stosuje się sposób rysowania “mapy” położeń neuronów z zaznaczonymi relacjami sąsiedztwa - jak na rysunku 10.8.

Rys. 10.8. Sposób oznaczania sąsiednich neuronów podczas prezentacji uczenia sieci Kohonena