203 / 320
201
Это означает, что происходит коррекция и закрепление образа,
отвечающего конкретной части из всей группы рассматриваемых событий.
Таким образом сеть способна обобщать схожие образы, относя их
к одному классу. Так выполняется сжатие информации. Архитектура
самообучающейся сети представлена на рисунке 7.4.
Рисунок 7.4 – Архитектура классификационной ИНС Кохонена
Архитектура слоя Кохонена и алгоритм его настройки предполагает,
что для каждого входного вектора будет активизирован лишь один нейрон
(нейрон-победитель). Для данного входного вектора только один нейрон
Кохонена выдает логическую единицу, все остальные выдают ноль. Слой
Кохонена классифицирует входные векторы в группы схожих векторов.
Это достигается с помощью такой подстройки весов, что близкие входные
векторы активизируют один и тот же нейрон. В результате обучения слой
приобретает способность разделять несхожие входные векторы. Таким
образом, на основе алгоритмов Кохонена может быть создана
самообучающаяся искусственная нейронная сеть, позволяющая выполнять
классификацию гелиогеофизических явлений на основе данных
о параметрах солнечного ветра и межпланетного магнитного поля. Такой
подход
позволяет
рассматривать
предлагаемую
классификацию
одновременно как космическую и физическую, поскольку в рамках
подобной классификации может быть рассмотрена космическая причина
возникновения возмущений разного вида.
Основной трудностью для реализации классификационного
нейросетевого подхода является разная длина анализируемых данных.
Для создания фиксированной архитектуры нейронной сети, одинаковой
для каждого эксперимента, необходимо подавать на вход вектора равной
длины. Кроме того, для повышения надежности результатов количество