1 / 4

FLOWCHART DELL’ALGORITMO DI APPRENDIMENTO DELLA RETE DI KOHONEN

FLOWCHART DELL’ALGORITMO DI APPRENDIMENTO DELLA RETE DI KOHONEN. ALGORITMO RETE DI KOHONEN. L’algoritmo di apprendimento di questo tipo di rete è il seguente:

vidor
Download Presentation

FLOWCHART DELL’ALGORITMO DI APPRENDIMENTO DELLA RETE DI KOHONEN

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. FLOWCHART DELL’ALGORITMO DI APPRENDIMENTO DELLA RETE DI KOHONEN

  2. ALGORITMO RETE DI KOHONEN L’algoritmo di apprendimento di questo tipo di rete è il seguente: • Si definiscono con wij(t) (0<=i<=n-1 dove n è il numero di input) il peso tra il neurone i-esimo di input ed il neurone j-esimo della griglia al tempo t. Con ‘tempo’ si indica il passaggio del pattern di apprendimento. I valori dei pesi vengono inizialmente posti tra zero e uno. Si pone come valore di Ni(0) il maggiore possibile (Ni() dovrebbe essere il numero di neuroni vicini al j-esimo neurone). • Si presenta un input: x0(t), x1(t), x2(t),…… xn(t) dove xi(t) è l’i-esimo input. • Si calcolano le distanze di tra l’input e ciascun neurone di output j: d²j = Σ (xi (t) – wij(t)) ² sommatoria da i=o a n-1 • Si seleziona il neurone a cui corrisponde la distanza minima. Indichiamo con j* tale neurone. • Si modificano i pesi dal neurone di input ed il neurone j* e tutti i suoi vicini definiti all’interno della superficie definita da Ni*(t). I nuovi pesi sono: wij(t+1) = wij(t) +ŋ(t)[ xi(t) – wij(t)] i|_j*, 0<= i <= n Il termine h(t) è la funzione guadagno (o velocità di adattamento) (0<=h(t)<=1) che decresce nel tempo in modo da rallentare di volta in volta l’adattamento dei pesi. Anche le dimensioni di Ni*(t) decrescono nel tempo in modo da individuare una regione di neuroni sulla griglia. 6) Si ripete tutto a partire dal punto 2).

  3. Wij Peso tra il neurone i-esimo di input e il neurone j-esimo della griglia al tempo t INIZIO Fisso Wijtcon j [o,n-1] 1° passo Ni(0) numero neuroni vicino al j-esimo neurone Definisco: Ni(0) =max Ni(0) <= i Wijt  [ 0,1 ] Xi(t) input i-esimo al tempo t 2° passo Presentazione input X0(t)......Xn-1(t) SI i >= n STOP NO Distanza tra i neuroni di input e il j-esimo neurone di output al tempo t Calcolo le distanze n-1 dj2=  (Xi(t)- Wij(t))2 i=0 3° passo Selez. il neurone di out j* tale che dj2 = min

  4. h(t) funzione di guadagno h(t) decresce Definisco: h(t)  [ 0,1 ] h(t) = (1/n+1)(t) + 1 Definisco i nuovi pesi Wij(t+1)= Wij(t)+h(t) [Xit-h(t) ] con i che va da 0 a n-1 4° passo Nuovi pesi

More Related