Выбор функции соседства и скорости обучения

Для того чтобы создать хорошую СОК, необходимо уделить внимание следующим наиболее важным аспектам выбору размерности и формы карты, масштабированию входных переменных, выбору функции соседства и скорости обучения, а также инициализации модельных векторов. Помимо этого в настоящей главе мы рассмотрим процедуры автоматического цветового кодирования СОК. Отдельные части карт, соответствующие, например, различным странам, можно автоматически окрасить таким образом, чтобы сходным данным соответствовали похожие цвета.  [c.265]


Выбор функции соседства и скорости обучения  [c.266]

Многочисленные расчеты показали, что алгоритм СОК допускает различные варианты выбора функции соседства и фактора скорости обучения. Тем не менее наиболее важными представляется следующее  [c.266]

Очень специфичной особенностью алгоритма СОК является то, что в качестве начальных значений модельных векторов могут быть выбраны произвольные случайные величины. Алгоритм позволяет должным образом масштабировать и рассортировать их при условии, если процесс вычислений достаточно длителен. Однако выбор случайных исходных значений вовсе не является наиболее разумным и эффективным на практике. Процесс самоорганизации будет протекать на несколько порядков быстрее, а окончательные результаты получатся гораздо более устойчивыми, если перед запуском алгоритма модельные векторы будут упорядочены, хотя бы очень приблизительно. Например, в состав пакета SOM PAK входит программа, которая автоматически определяет две главные компоненты данных, после чего можно построить регулярную решетку из точек, расположенных вдоль гиперплоскости, задаваемой исходными данными. Данные величины следует взять в качестве значений модельных векторов в решетке, что позволит сузить функцию соседства и уменьшить значение коэффициента скорости обучения.  [c.266]