====== Jednovrstvé neuronové sítě ====== (Hopfieldova, Kohonenova – učení, odezva, možné aplikace) ---- Základy viz [[neural_basics]] ==== Autoasociativní učení ==== Síť nastavuje váhy na svých neuronech dle trénovacích dat tak, aby při rozdílných vstupech excitovala různé neurony. Hledá tedy třídy či shluky. ===== Typy sítí ===== ==== Maxnet ==== * plně propojená síť, negativní váhy * po ustálení je jediná nenulová hodnota na neuronu, který měl původně nejvyšší hodnotu (odtud Maxnet) * odezva: vítězný neuron ==== Hopfield ==== * plně propojená síť * autoasociativní učení * spoje mezi dvěma neurony mají totožnou váhu * v každém kroku se upravují váhy na hranách jako {1/P} sum{p=1}{P}{i_{p i}i_{pj}} * práh každého neuronu se upravuje tak, aby byl polovinou součtu všech vah na tomto neuronu * použití * shlukování * oprava dat * odezva: ustálí se v naučeném stavu, nebo v nesmyslném, pokud je vstup výrazně odlišný od všech trénovacích vzorků ==== Jednoduchá soutěživá síť ==== * obsahuje jedinou //Kohonenovu// vrstvu * neurony spolu soutěží při každém vstupním vzorku * vítězný neuron určuje, do jakého shluku vzorek patří * s postupem času se snižuje efekt učení * učení * pro každý vzorek je nalezen neuron s váhami co nejbližšími vzorku * tyto váhy jsou poté tomuto vzorku ještě více přiblíženy * použití * klasifikace * odezva: excituje se jediný neuron, který určuje shluk či třídu ==== Kohonenovy mapy (SOM, Self Organizing Maps) ==== * soutěživá síť, kde jsou upravovány i váhy topologických sousedů vítězného neuronu (v závislosti na vzdálenosti od vítěze) * nemusí být pouze lineární, neurony mohou být umístěny v mřížce, v prostoru, v různých útvarech, ... * použití stejné jako soutěživá síť * větší rozlišovací síla, umí lépe reagovat na vícerozměrné vstupy a odhalovat vztahy v podmnožinách rozměrů * odezva: stejná jako u soutěživé sítě