img240 (9)

Sieci samoorganizujące się

Od czego jednak są możliwości sieci neuronowej? Wystarczy tylko dobrze przemyśleć, jakie dane do niej wprowadzić, jak przeprowadzić samouczenie, jak interpretować potem wyniki - i po sprzedaniu kilku bankom tego genialnego systemu już można się wybierać na zasłużone wakacje na słoneczne plaże Karaibów.

—    Ze co, za mało danych? Że powinienem dokładniej opisać, jak to zrobić?

—    A czy wiesz, jaki tłok by się zrobił na koralowych plażach, gdybym podał tu wszystkie szczegóły i każdy, kto przeczyta tę książkę został by milionerem? Musisz trochę sam ruszyć głową!

10.9. W jaki sposób sieć może służyć jako narzędzie do transformacji wymiaru przestrzeni sygnałów wejściowych?

Po tej krótkiej wycieczce w kierunku błękitnego morza i szumiących palm wróćmy jednak teraz do dalszych zagadnień naukowych. Unikatową cechą sieci Kohonena jest występowanie w niej topograficznej reprezentacji przestrzeni sygnałów wejściowych w odpowiedziach sieci. Chodzi o-czywiście o sąsiedztwo i jego konsekwencje. Na rysunkach, które oglądałeś wyżej i na tych, które zobaczysz podczas samodzielnej eksploatacji opisanego programu poszczególne błękitne punkty reprezentujące neurony łączone są ze sobą czerwonymi liniami. Linie te, jak wiesz łączą ze sobą neurony uważane za sąsiednie. Na początku linie te - podobnie jak same punkty -ułożone są czysto przypadkowo. Podczas uczenia zauważasz jednak, że sieć ucząc się zacznie wytwarzać regularną siatkę złożoną z czerwonych linii. Czym w istocie jest ta siatka? Otóż jest ona wyrazem prawidłowości polegającej na tym, że sąsiednie neurony będą dążyły do tego, żeby sygnalizować i wykrywać sąsiadujące ze sobą punkty w przestrzeni sygnałów wejściowych! W ten sposób porządek wynikający z tego, że niektóre punkty odpowiadające sygnałom wejściowym są bliskie sobie, bo ich współrzędne różnią się w niewielkim stopniu - zostanie przeniesiony do sieci, w której bliskie punkty będą sygnalizowane wyłącznie przez sąsiadujące ze sobą neu-

Na wszystkich dotychczas oglądanych obrazkach dwa pojęcia: bliskości (podobieństwa) sygnałów wejściowych i bliskości (sąsiedztwa) neuronów w sieci mogły być ze sobą w dosyć naturalny sposób wiązane i kojarzone, ponieważ przestrzeń sygnałów wejściowych (i oczywiście także przestrzeń wag) była dwuwymiarowa (jak na rysunku 10.5) i równocześnie także topologia sieci była dwuwymiarowa (jak na rysunku 10.1). Istniała więc natural-