Нейросетевая модель СОК

из "Анализ финансовых данных "

Все векторы наблюдений x(t), для которых модельный вектор т является ближайшим, также выбирают in, в качестве победителя, и могут рассматриваться как отображаемые на него. Таким образом, каждый модельный вектор аппроксимирует в пространстве наблюдений целую область. Сеть, образованная векторами m, сначала принимает форму, которая наилучшим образом соответствует примерам данных, а затем уравнения (9) и (10) задают нелинейное отображение пространства векторов х на эту сеть. [c.228]
Рассмотрим теперь регулярную двумерную решетку, состоящую из вычислительных элементов, именуемых нейронами (рис. 11.7). Для улучшения визуального восприятия удобнее представить данную решетку гексагональной. [c.228]
С каждым нейроном мы, таким образом, связываем модельный вектор ni(, т.е. координаты узла в пространстве сигналов представляются теперь в виде соответствующего нейрону множества вещественных чисел. В обычных нейросетевых моделях модельный вектор соответствовал бы синаптическим весам, однако в нашем случае конкретизировать природу ni( нет необходимости. [c.228]
Рисунок 11.7. Двумерная СОК, где т -г- модельные векторы, соответствующие каждому вычислительному элементу. [c.229]
Для этого можно воспользоваться и более простой формой h. [c.229]
Нейронная сеть позволяет получить изображение всего пространства наблюдений, т.е. различные нейроны оказываются чувствительными к различным его областям, подобно описанному во введении контрольному щитку , на котором в зависимости от изменения состояния системы загораются различные лампы. [c.229]

Вернуться к основной статье