(Hopfieldova, Kohonenova – učení, odezva, možné aplikace)

Základy viz Základní termíny neuronových sítí

Síť nastavuje váhy na svých neuronech dle trénovacích dat tak, aby při rozdílných vstupech excitovala různé neurony. Hledá tedy třídy či shluky.

• plně propojená síť, negativní váhy
• po ustálení je jediná nenulová hodnota na neuronu, který měl původně nejvyšší hodnotu (odtud Maxnet)
• odezva: vítězný neuron

• plně propojená síť
• autoasociativní učení
• spoje mezi dvěma neurony mají totožnou váhu
• v každém kroku se upravují váhy na hranách jako <m>{1/P} sum{p=1}{P}{i_{p i}i_{pj}}</m>
• 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

• 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

• 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