Алгоритмы обучения

Обучение сетей этого типа проводится по так называемому алгоритму «победитель забирает все» (разновидность алгоритма обучения «без учителя»). В отличие от других алгоритмов, в которых изменяются веса всех нейронов, в этом, нейроны «соревнуются» за то, чтобы вес был изменен именно у него. В некоторых вариантах алгоритма обучения  веса изменяются не только у победившего нейрона, но и у соседних с ним нейронов. Обычно для нормализации входных векторов применятся два следующих алгоритма:

Первый способ, «обычный»:

 

,       , .

 

Недостаток: входные вектора типа (-2, 1, 3) и (-10, 5 , 15) не будут различаться между собой.

Второй способ, “нормализация по оси Z”:

 

, 

 

Существует несколько вариантов алгоритмов обучения сетей Кохонена. Далее приводятся два наиболее часто применяемых из них:

Первый алгоритм обучения (аддитивный), предложенный Кохоненом:

 

 

где -вектор весов победившего нейрона в момент времени t,

-вектор весов в момент времени t+1,

   - входной вектор,

   - коэффициент скорости обучения;  =[0,1].

 

Второй алгоритм обучения (субтрактивный), или алгоритм Видроу-Хофа: