img213 (5)

oprowadzenie do techniki sieci

użytkownika. Takie spontaniczne tworzenie przez sieć potrzebnego odwzorowania sygnałów nazywane jest właśnie samoorganizacją. Z pewnego punktu widzenia jest to jedynie jeszcze jedna forma samouczenia, jeśli jednak spojrzysz na jej skutki, to zapewne sam chętnie przyznasz, że mamy tu do czynienia z wyraźnie wyższym stopniem adaptacji sieci, angażującym nie tylko optymalizację parametrów każdego neuronu z osobna, ale - co jest właśnie nowością - koordynację działań neuronów, wprowadzającą do obliczeń bardzo pożądane efekty koherencji i kolektywności.

Wyjaśnijmy te pojęcia. Efekt koherencji polega na tym, że jednym z głównych kryteriów, jakie stosuje sieć w procesie samoorganizacji polega na tym, że usiłuje ona grupować dane wejściowe w pewne klasy podobieństwa. Innymi słowy wśród obiektów wejściowych wykrywane są (automatycznie!) takie ich grupy, które są podobne do siebie nawzajem i jednocześnie są wyraźnie odmienne od innych grup sygnałów. Takie grupowanie danych jest bardzo przydatne w wielu zastosowaniach, wypracowano więc szereg specjalizowanych technik matematycznych pozwalających na analizowanie danych (najczęściej statystyczne) i na tworzenie właśnie takich grup danych, które są nawzajem do siebie podobne, a różnią się od innych danych, na pozór bardzo podobnych. Wzmiankowane techniki nazywane są po polsku “analizą skupień” a w literaturze światowej są szerzej znane pod angielską nazwą cluster analysis. Są one dość chętnie stosowane w ekonomii -na przykład do wykrywania, które przedsiębiorstwa są podobne do siebie i mogą w związku z tym stwarzać podobne rokowania rentowności inwestycji albo w medycynie - do badania, które objawy wskazują na różne odmiany tej same choroby, a które wskazują już na obecność nowej, być może nie znanej jednostki chorobowej. Jedno z zadań związanych z grupowaniem danych będzie dalej szczegółowiej przedyskutowane w kontekście tak zwanej kwantyzacji wektorowej.

Z punktu widzenia rozważań prowadzonych w tej książce istotny jest tylko jeden fakt: zadania grupowania wejściowych danych w klasy podobieństwa są potrzebne i znajdują praktyczne zastosowania.

Sieci neuronowe dokonujące procesu samoorganizacji są bardzo atrakcyjnym narzędziem do realizacji zadań grupowania wejściowych danych i tworzenia wśród nich klas podobieństwa. Atrakcyjność neuronowego podejścia do rozważanego problemu polega głównie na tym, że proces samoorganizacji może być prowadzony absolutnie automatycznie i spontanicznie, a twórca sieci nie musi jej przy tym udzielać żadnych wskazówek, ponieważ komplet potrzebnych informacji zawarty jest w samych wejściowych danych (z których jedne są podobne do siebie nawzajem, a inne nie). Ponadto po nauczeniu sieci grupowania wejściowych danych powstają bardzo użyteczne systemy - neurony, które wyspecjalizowały się w rozpoznawaniu poszczegól-

Wyszukiwarka

Podobne podstrony:
img125 (13) oprowadzenie do techniki sieci 119 ta książka była najbardziej odpowiednim miejscem, by
img137 (11) oprowadzenie do techniki sieci neuronowych Po ustaleniu się sygnałów wyjściowych na obyd
img183 (9) oprowadzenie do techniki sieci neuronowych 177 kroków procesu samouczenia po każdym pokaz
img225 (12) Elementa oprowadzenie do techniki sieci 219 Na początku, zanim proces uczenia wprow

więcej podobnych podstron