img234 (9)

228 Sieci samoorganizujące się

Nie zawsze uda się taki zabieg przeprowadzić tak całkiem bezboleśnie - czasem w końcowym układzie sieci odzywa się ślad wcześniej wyuczonej figury. Widać ta na rysunku 10.25, na którym pokazałem przebieg szczególnie perwersyjnego uczenia: najpierw sieć dopasowywała swoje działanie do obszaru w kształcie trójkąta, potem zmuszono ją do poszukiwania rozkładu o formie kwadratu, by na końcu znowu dostosować jej działanie do funkcjonowania z danymi pochodzącymi z obszaru w kształcie trójkąta.

	/		A	A
A	a	A	A jfis&S-	dk £\

Rys. 10.25. Czasem zmiana celu uczenia w trakcie nauki pozostawia trwałe ślady

Jak widzisz z przytoczonych przykładów, w sieci Kohonena neurony uczą się (całkiem same, bez jakiejkolwiek interwencji nauczyciela!) odwzorowywać w swojej pamięci wewnętrznej (reprezentowanej przez współczynniki Wagowe) typowo pojawiające się wzorce zewnętrznych (wejściowych) sygnałów.

10.8. No dobrze, tylko do czego się to wszystko może przydać?

Sądzę, że już masz pogląd, co potrafi zrobić sieć Kohonena. Powraca jednak ważne i konkretne pytanie - do czego tego można w praktyce użyć? Na początku rozdziału mówiłem Ci już o odwzorowaniach - na przykład w robotyce - które sieć Kohonena mogła by spontanicznie tworzyć. Wiedząc teraz, jak sieć działa, możesz ten przykład przeanalizować nieco dokładniej. Wyobraź więc sobie takiego robota, który ma dwa sensory (bo sieci, które badałeś miały zawsze tylko dwa sygnały wejściowe). Niech jeden z tych sensorów dostarcza informacji o wielkości oświetlenia, a drugi - o natężeniu dźwięku. W ten sposób każdy punkt przestrzeni sygnałów wejściowych odpowiadać będzie jednemu środowisku o jakimś konkretnym zestawie cech