רשת קוהונן

מתוך ויקיפדיה, האנציקלופדיה החופשית
קפיצה אל: ניווט, חיפוש

רשת קוהונן הידועה גם כ-Self Organizing Map, או בקיצור SOM, היא מודל של רשת עצבית מלאכותית שנסמך על למידה בלתי-מונחית (unsupervised learning) כדי ליצור מיפוי ממימד גבוה של קלטים רציפים למימד פלט נמוך ובדיד. את המודל ניסח הפרופסור הפיני טאובו קוהונן.

תיאור כללי[עריכת קוד מקור | עריכה]

הטופולוגיה של רשת קוהונן בנויה כמפה דו-ממדית או גריד של נוירונים. כל נוירון במפה מיוצג על ידי וקטור של ערכים שמימדו זהה למימד הקלט. קלטים קרובים מבחינה מטרית מותאמים לנוירונים שכנים בגריד. המיפוי מתבצע לרוב באמצעות מדידת המרחק האוקלידי של הקלט מכל נוירון במפה. הנוירון הקרוב ביותר לדוגמת הקלט נבחר. בשלב האימון של רשת קוהונן מבוצע בנוירון המתאים ביותר לקלט שינוי בערכיו כך שיתקרב לקלט המוצג. השינויים בשלב האימון מבוצעים גם בנוירון הנבחר וגם בשכניו במפה לפי פונקציית שכנות שקובעת את מידת ההשפעה של השינוי לגביהם.

אלגוריתם הלמידה[עריכת קוד מקור | עריכה]

  1. צור רשת של נוירונים המאותחלים לערכים אקראיים.
  2. לכל וקטור D(t) מתוך דוגמאות הלמידה בצע:
    1. מצא את BMU(t), הווקטור הכי קרוב ל D(t) במפה (לרוב על פי מרחק אוקלידי).
    2. לכל נוירון ברשת, עדכן:
      1. w(t+1)=w(t)+F(w(t),BMU(t))*a(t)*(D(t)-w(t))
  3. הקטן את a(t)
  4. חזור לשלב 2 (החיצוני) כל עוד a(t) > 0

כאשר

  • w(t) הוא הערך של נוירון w בזמן t ברשת
  • BMU(t) הוא הערך של הנוירון ברשת שנמצא כקרוב ביותר לקלט הנתון D בזמן t
  • F(w(t),BMU(t))  \in [0,1] היא פונקציית השכנות של הרשת, כך שככל ש w קרוב יותר טופולוגית ל BMU, הערך של F מתקרב ל 1 וככל שהם רחוקים יותר זה מזה הערך של F מתקרב יותר ל 0 בהתאם.
  • a(t) \in [0,1] הוא קצב הלמידה של הרשת שדועך ככל שתהליך הלמידה מתקדם.
  • D(t)-w(t) הוא ההפרש בין הערך של הקלט D לנוירון w בזמן t.

לקריאה נוספת[עריכת קוד מקור | עריכה]