Самоорганизующиеся карты кохонена

  • 04 сент. 2011 г.
  • 2379 Слова
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ

ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ
ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

Липецкий государственный технический университет

Кафедра прикладной математики

КУРСОВАЯ РАБОТА

по курсу: «Интеллектуальные системы»
на тему: «Самоорганизующиеся карты Кохонена»

Выполнили: ст. гр. ПМ-08-01
Кадакина Л.Н.
Кадакин А.Н.__________________________
__________________________
«___» ______________ 2011 г.

Проверил:
к.т.н. Сараев П.В.
__________________________
__________________________
« ___» ______________ 2011г.




Липецк
2011
| ОГЛАВЛЕНИЕ | |
| | |
| АННОТАЦИЯ | 3 |
1.| ПОСТАНОВКА ЗАДАЧИ | 4 |
2. | ТЕОРЕТИЧЕСКАЯ СПРАВКА | 5 |
3.4. | РАБОТА В MATLAB3.1. Моделирование сети кластеризации данных3.2. Методика выполненияРАБОТА В DEDUCTOR | 7 916 |
5. | ЗАКЛЮЧЕНИЕ | 25 |
| БИБЛИОГРАФИЧЕСКИЙ СПИСОК | 26 |
| | |
| | |

АННОТАЦИЯ

В данной курсовой работе рассматривается принципы решения задачи кластеризации с использованием нейронных сетейсо слоем Кохонена и самоорганизующихся карт.

1. ПОСТАНОВКА ЗАДАЧИ
Используя встроенные функции пакета нейронных сетей математической среды Matlab, построить нейронную сеть со слоем Кохонена, которая множество входных данных разделяет на кластеры и выявляет их центры. На обученную сеть подается новый входной вектор и определяется, к какому кластеру он относится.
Для выбранной предметнойобласти в программном продукте Deductor Academic 5.2. построить непосредственно карты Кохонена и провести анализ полученного решения.

2. ТЕОРЕТИЧЕСКАЯ СПРАВКА

Самоорганизующиеся карты.
Самоорганизующиеся карты (Self Organizing Maps - SOM) это одна из разновидностей нейросетевых алгоритмов. Основным отличием данной технологии от нейросетей, обучаемых по алгоритму обратного распространения,является то, что при обучении используется метод обучения без учителя, то есть результат обучения зависит только от структуры входных данных. Нейронные сети данного типа часто применяются для решения самых различных задач, от восстановления пропусков в данных до анализа данных и поиска закономерностей, например, в финансовой задаче.
Основы самоорганизующихся карт.
Алгоритм функционированиясамообучающихся карт представляет собой один из вариантов кластеризации многомерных векторов. Примером таких алгоритмов может служить алгоритм ближайших средних (с-means). Важным отличием алгоритма SOM является то, что в нем все нейроны (узлы, центры классов) упорядочены в некоторую структуру (обычно двумерную сетку). При этом в ходе обучения модифицируется не только нейрон-победитель, но и его соседи, но в меньшейстепени. За счет этого SOM можно считать одним из методов проецирования многомерного пространства в пространство с более низкой размерностью При использовании этого алгоритма вектора, схожие в исходном пространстве, оказываются рядом и на полученной карте.
Структура самоорганизующихся карт.
SOM подразумевает использование упорядоченной структуры нейронов. Обычно используются одно- и двумерныесетки. При этом каждый нейрон представляет собой и-мерный вектор-столбец w ~ [w1, w2,..., wn] , где п определяется размерностью исходного пространства (размерностью входных векторов). Применение одно- и двумерных сеток связано с тем, что возникают проблемы при отображении пространственных структур большей размерности (при этом опять возникают проблемы с понижением размерности до двумерной, представимойна мониторе).
Обычно нейроны располагаются в узлах двумерной сетки с прямоугольными или шестиугольными ячейками. При этом, как было сказано выше, нейроны также взаимодействуют друг с другом. Величина этого взаимодействия определяется расстоянием между нейронами на карте.
Начальная инициализация карты.
При реализации алгоритма SOM заранее задается конфигурация сетки...
tracking img