img226 (11)

220 Sieci samoorganizujące się

dużych skoków (na przykład 100 lub 300 kroków uczenia) - ale pamiętaj, że wtedy będziesz musiał dość długo czekać, zanim zobaczysz wyniki uczenia!

Prześledźmy, jak ten proces przebiega. Jeśli uruchomisz proces uczenia i program modelujący zacznie generować i pokazywać sieci punkty pochodzące z różnych miejsc przestrzeni wejściowych sygnałów (będziesz mógł śledzić ten proces, bo w lewym dolnym rogu rysowanego przez program okna będzie widoczny obszar, w którym wyświetlane będą kolejno pokazywane sieci punkty - por. rys. 10.10) to wkrótce zaobserwujesz przemieszczanie się błękitnych kwadratów. Kwadraciki te, wskazujące jaką wiedzę mają poszczególne neurony, z początkowego, całkowicie chaotycznego rozkładu, przemieszczać się będą do takich miejsc, by każde z nich zajął miejsce będące wzorcem dla pewnego fragmentu przestrzeni sygnałów wejściowych. Dokładnie proces ten opisuje tak zwana “mozaika Voronoy’a”, ale z dokładnością wymaganą w tej popularnej książce można przyjąć, że po prostu różne neurony wchodzące w skład sieci specjalizują się w wykrywaniu i sygnalizowaniu różnych sygnałów wejściowych, tak, że po pewnym czasie dla każdego dostatecznie często pojawiającego się sygnału wejściowego istnieć będzie w sieci neuron wyspecjalizowany w jego wykrywaniu, sygnalizowaniu i rozpoznawaniu. W początkowym etapie (rys. 10.12) przypadkowy rozkład punktów i linii zastępowany jest przez wstępne uporządkowanie punktów.

Rys. 10.12. Początkowe etapy procesu samoorganizacji, następującego w sieci Kohonena.

Następnie proces uczenia zmierza do tego, by rozkład punktów reprezentujących neurony wypełnił cały obszar wejściowych sygnałów i aby był to rozkład maksymalnie równomierny. Ważne jest przy tym, że sieć wytwarza wewnętrzne reprezentacje (w postaci odpowiednich rozkładów wartości współczynników Wagowych - wyłącznie dla tego podobszaru przestrzeni sygnałów wejściowych, z których pochodzą prezentowane jej punkty. I tak możesz zaobserwować, że w przypadku gdy sygnały wejściowe pochodzić będą z ograniczonego obszaru wartości sygnałów wejściowych (na wykresie taki obszar ma formę kwadratu) - wówczas sieć Kohonena usiłuje “pokryć” neuronami możliwie dokładnie ten właśnie kwadrat. Dzieje się tak zarówno wtedy, jak masz do czynienia z siecią mającą niewiele neuronów (rys. 10.13),