img306 (4)

300 Ramki

Ramka 5.

Elementy techniki samouczenia sieci

Przy uczeniu bez nauczyciela (zwane też samouczeniem sieci) nie podaje się prawidłowych odpowiedzi. Sieć musi sama wydobyć interesujące kategorie lub cechy w zbiorze danych wejściowych. Samouczenie sieci jest analogią do działania ludzkiego mózgu. Człowiek również ma zdolność do spontanicznego klasyfikowania napotkanych obiektów i zjawisk, a później do rozpoznawania nowych obiektów jako należących do jednej z wcześniej wyuczonych klas. Metoda samouczenia jest oparta na regule Hebba, która zakłada wzmacnianie połączeń między źródłami silnych sygnałów a neuronami, które na nie silnie reagują. W wyniku uczenia sygnały podobne do siebie będą rozpoznawane przez pewne neurony, zaś przez inne będą ignorowane (ujemne wartości wyjściowe). Po ustaleniu się sygnałów wyjściowych wszystkich neuronów w całej sieci wszystkie wagi wszystkich neuronów są zmieniane, przy czym wielkość odpowiedniej zmiany wyznaczana jest na podstawie iloczynu sygnału wejściowego, wchodzącego na dane wejście (to którego wagę zmieniamy) i sygnału wyjściowego neuronu. Opisując ten proces dokładniej na wstępie należy wprowadzić pojęcie ciągu uczącego. Jest to zbiór przykładów na podstawie których sieć uczy się. Ciąg ten ma postać:

u = {xi¹\xC\...,xW]

XW jest wektorem danych wejściowych w j-tyra kroku N jest liczbą posiadanych na etapie uczenia pokazów Regułę uczenia dla m-tego neuronu w j-tym kroku uczenia definiujemy w sposób następujący:

_t,Wf)'+^l) _ _W(”*)U) ^gdZle !^⁾ = E"₌,w|^m)0)x|ⁱ⁾

Inaczej uczenie wg. reguły Hebba nazywa się uczeniem korelacyjnym (corre-lation leaming), gdyż zmierza ona do takiego dopasowania wag, aby uzyskać najlepszą korelację między sygnałami wejściowymi, a zapamiętanym w formie wartości wag “wzorcem” sygnału, na który określony neuron ma rea-