Monitorowanie i Diagnostyka w Systemach Sterowania

Podobne dokumenty
S O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor

METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 335

Lekcja 5: Sieć Kohonena i sieć ART

Elementy Sztucznej Inteligencji. Sztuczne sieci neuronowe cz. 2

Sztuczna inteligencja

Obliczenia inteligentne Zadanie 4

SIECI KOHONENA UCZENIE BEZ NAUCZYCIELA JOANNA GRABSKA-CHRZĄSTOWSKA

Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010

Co to jest grupowanie

Wprowadzenie. SOM jest skrótem od Self Organizing Maps, czyli Samoorganizujące się mapy.

METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING

Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2014/2015

Metody sztucznej inteligencji Zadanie 3: (1) klasteryzacja samoorganizująca się mapa Kohonena, (2) aproksymacja sieć RBF.

Wstęp do sieci neuronowych, wykład 8 Samoorganizacja topologiczna, analiza składowych głównych.

Wstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane cd.

Sztuczne sieci neuronowe (SNN)

Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta

Sztuczna Inteligencja Tematy projektów Sieci Neuronowe

Metody Sztucznej Inteligencji II

Literatura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu

Podstawy Sztucznej Inteligencji Sztuczne Sieci Neuronowe. Krzysztof Regulski, WIMiIP, KISiM, B5, pok. 408

Sieci Kohonena Grupowanie

SIECI REKURENCYJNE SIECI HOPFIELDA

Najprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;

Sieci Rekurencyjne 1 / 33. Sieci Rekurencyjne. Nguyen Hung Son

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe

Sztuczne sieci neuronowe

Uczenie sieci radialnych (RBF)

Zastosowania sieci neuronowych

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe

Sieci neuronowe jako sposób na optymalizacje podejmowanych decyzji. Tomasz Karczyoski Wydział W-08 IZ

MODELOWANIE RZECZYWISTOŚCI

1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda

Podstawy sztucznej inteligencji

synaptycznych wszystko to waży 1.5 kg i zajmuje objętość około 1.5 litra. A zużywa mniej energii niż lampka nocna.

Sztuczne sieci neuronowe

Elementy inteligencji obliczeniowej

Sieć Hopfielda. Sieci rekurencyjne. Ewa Adamus. ZUT Wydział Informatyki Instytut Sztucznej Inteligencji i Metod Matematycznych.

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda

IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ

Wstęp do sztucznych sieci neuronowych

Obliczenia Naturalne - Sztuczne sieci neuronowe

Pozyskiwanie wiedzy z baz danych z pomocą sieci neuropodobnych

Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3

Systemy uczące się Lab 4

Asocjacyjna reprezentacja danych i wnioskowanie

Uczenie sieci typu MLP

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda

8. Neuron z ciągłą funkcją aktywacji.

Oprogramowanie Systemów Obrazowania SIECI NEURONOWE

MATLAB Neural Network Toolbox przegląd

Inteligentne systemy przeciw atakom sieciowym

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.

METODY INTELIGENCJI OBLICZENIOWEJ wykład 5

Wstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.

wiedzy Sieci neuronowe

I EKSPLORACJA DANYCH

Podstawy Sztucznej Inteligencji (PSZT)

Grupowanie VQ. Kwantyzacja wektorowa (VQ Vector Quantization) SOM Self-Organizing Maps. Wstępny podział na grupy. Walidacja grupowania

1. W jaki sposób radzimy sobie z problemem zatrzymywania się w lokalnym minimum błędu podczas procesu uczenia?

Automatyka - zastosowania, metody i narzędzia, perspektywy

Inteligentne systemy informacyjne

SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe

Wstęp do sieci neuronowych, wykład 8 Uczenie nienadzorowane.

Temat: Sieci neuronowe oraz technologia CUDA

H-Adviser. Hybrydowy system wspomagania decyzji inwestycyjnych

Wstęp do teorii sztucznej inteligencji

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2018, 347(93)4, 57 68

Instrukcja realizacji ćwiczenia

Definicja perceptronu wielowarstwowego

Monitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji

Temat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

SPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization

Wykład 5: Uczenie przez współzawodnictwo

Metody systemowe i decyzyjne w informatyce

Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, Spis treści

Algorytm grupowania danych typu kwantyzacji wektorów

dr inż. Michał Grochowski

PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**

Wstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.

METODY INŻYNIERII WIEDZY

Elementy kognitywistyki III: Modele i architektury poznawcze

Sieć przesyłająca żetony CP (counter propagation)

Strategie ewolucyjne (ang. evolu4on strategies)

Optymalizacja optymalizacji

Wykład wprowadzający

Sieci neuronowe i ich ciekawe zastosowania. Autor: Wojciech Jamrozy III rok SMP / Informatyka

Adrian Horzyk

Widzenie komputerowe

Wstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane.

Wstęp do teorii sztucznej inteligencji

DEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI

Analiza nastrojów gospodarczych z wykorzystaniem sieci Kohonena

OCENA DZIAŁANIA AE. METODY HEURYSTYCZNE wykład 4 LOSOWOŚĆ W AE KRZYWE ZBIEŻNOŚCI ANALIZA STATYSTYCZNA:

Zastosowania sieci neuronowych

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD X: Sztuczny neuron

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD XI: Sztuczne sieci neuronowe

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka ADALINE.

Transkrypt:

Monitorowanie i Diagnostyka w Systemach Sterowania Katedra Inżynierii Systemów Sterowania Dr inż. Michał Grochowski

Monitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji Sieci samoorganizujące (Self Organizing Maps- PCA) na podstawie: Haykin, S. Neural Networks and Learning Machines. Pearson Prentice Hall, 2009 Opracował: dr inż. Michał Grochowski kiss.pg.mg@gmail.com michal.grochowski@pg.gda.pl tel: 58 347 29 04 Strona przedmiotu: www.eia.pg.edu.pl/kiss/dydaktyka/midwss Katedra Inżynierii Systemów Sterowania

Wstęp Motywacja Organizacja neuronów kory mózgowej. Nasze czujniki dotyku, obrazu, dźwięku, smaku są odwzorowywane (grupują się) w różnych obszarach kory mózgowej. Ta mapa topologiczna neuronów stanowi podstawę funkcjonowania naszego układu nerwowego. http://antranik.org/wp-content/uploads/2011/11/ left-lateral-view-functional-areas-cerebral-cortex-motor-sensory-association-areas.jpg Neurony (grupy neuronów) stanowią swego rodzaju samodzielne mikro jednostki obliczeniowe, różniące się w niewielkim stopniu w swojej strukturze (wagi). Katedra Inżynierii Systemów Sterowania

Wstęp MiDwSS W12: Sieci samoorganizujące Samoorganizacja sieci SOM (Self Organizing Maps-SOM) polega na globalnym uporządkowaniu struktury sieci poprzez lokalne działania samoorganizujące prowadzone w różnych obszarach sieci, niezależnie od siebie. Pod wpływem sygnałów wejściowych w różnym stopniu następuje aktywacja neuronów, dostosowująca się wskutek zmiany wartości wag synaptycznych do aktywności wzorców uczących. W procesie uczenia istnieje tendencja do wzrostu wartości wag rodzaj dodatniego sprzężenia zwrotnego: większe sygnały pobudzające większe wartości wag większa aktywność neuronów. To prowadzi do zróżnicowania wśród grup neuronów. Zaobserwować można współpracę neuronów z tej samej grupy oraz konkurencję z innymi grupami neuronów oraz pomiędzy neuronami tej samej grupy. Katedra Inżynierii Systemów Sterowania źródło: Ossowski, S. Sieci neuronowe do przetwarzania informacji. Oficyna wydawnicza Politechniki Warszawskiej, 2000.

Wstęp MiDwSS : Sieci samoorganizujące Abstrahując od mechanizmów uczenia, dużą rolę odgrywa nadmiarowość danych uczących, stanowiąca klucz do uczenia bez nauczyciela. Wielokrotne pobudzanie sieci tymi samymi (podobnymi) wejściami, stanowi bazę wiedzy sieci, z której to następnie, po aktywacji sieci określonym wejściem wyciągane są na drodze skojarzeń konkluzje w postaci uaktywnienia odpowiedniego wyjścia. Katedra Inżynierii Systemów Sterowania źródło: Ossowski, S. Sieci neuronowe do przetwarzania informacji. Oficyna wydawnicza Politechniki Warszawskiej, 2000.

Wykorzystanie SOM w diagnostyce procesowej Dane procesowe Sieć Kohonena Wyjścia neuronów Stan pracy urządzenia Stan normalny Uszkodzenie 1 Uszkodzenie 2 Uszkodzenie n Zwycięski neuron wskazuje uszkodzenie lub stan (operacyjny) pracy układu Katedra Inżynierii Systemów Sterowania źródło: Ossowski, S. Sieci neuronowe do przetwarzania informacji. Oficyna wydawnicza Politechniki Warszawskiej, 2000.

Wstęp Dwa podstawowe mechanizmy samoorganizacji to: mechanizm oparty o regułę asocjacji Hebba oraz mechanizm współzawodnictwa pomiędzy neuronami Kohonena. Reguła Hebba: "jeżeli akson komórki A bierze systematycznie udział w pobudzeniu komórki B powodującym jej aktywację, to wywołuje to zmianę metaboliczną w jednej lub obu komórkach, prowadzącą do wzrostu skuteczności pobudzania B przez A" (Hebb 1949) Katedra Inżynierii Systemów Sterowania

Wstęp Mechanizm współzawodnictwa: algorytm WTA (Winner Takes All) Zwycięzca bierze wszystko W algorytmie tym wszystkie neurony pobudzane są tymi samymi sygnałami wejściowymi, a neuron którego wyjście osiągnie najwyższy poziom staje się zwycięskim i tylko jego wagi podgalają adaptacji. algorytm WTM (Winner Takes Most) Zwycięzca bierze większość W algorytmie tym wszystkie neurony pobudzane są tymi samymi sygnałami wejściowymi, a neuron którego wyjście osiągnie najwyższy poziom staje się zwycięskim. W algorytmie WTM oprócz neuronu zwycięskiego również wagi sąsiadujących z nim neuronów podlegają adaptacji. Katedra Inżynierii Systemów Sterowania

Wstęp Celem naukowców było opracowanie sztucznej struktury obliczeniowej (np. w postaci mapy topograficznej) zdolnej do samodzielnego uczenia inspirowanego neurobiologicznie, pod wpływem bodźców zewnętrznych. W 1990 roku Kohonen sformułował tezę: Pozycja neuronu na mapie topograficznej neuronów koresponduje z konkretną cechą zawartą w danych wejściowych. Stanowiła ona neurobiologiczną motywację do powstania dwóch struktur sieci samoorganizujących: Willshaw-von der Malsburg a oraz Kohonena. Katedra Inżynierii Systemów Sterowania

Podstawowe struktury SOM Neurony w SOM są ułożone w macierze (klastry z ang. lattice) 1, 2 lub więcej (rzadko) wymiarowe. Model Willshaw-von der Malsburg a Cechy: Dwuwymiarowa macierz neuronów po-synaptycznych wyjście (kora mózgowa) Dwuwymiarowa macierz neuronów pre-synaptycznych - wejście (sygnały z siatkówki oka) Przykładowe wagi połączeń synaptycznych (wiązka wag) Zwycięski neuron (przykład) Pobudzony neuron Katedra Inżynierii Systemów Sterowania z założenia te same rozmiary obu macierzy neuronów zakłada geometryczną bliskość sygnałów elektrycznych neuronów presynaptycznych neurony po-synaptyczne wykorzystują krótkoterminowy mechanizm pobudzający i długoterminowy mechanizm hamujący

Podstawowe struktury SOM Neurony w SOM są ułożone w macierze (klastry z ang. lattice) 1, 2 lub więcej (rzadko) wymiarowe. Model Willshaw-von der Malsburg a Cechy: Dwuwymiarowa macierz neuronów po-synaptycznych wyjście (kora mózgowa) Dwuwymiarowa macierz neuronów pre-synaptycznych - wejście (sygnały z siatkówki oka) Przykładowe wagi połączeń synaptycznych (wiązka wag) Zwycięski neuron (przykład) Pobudzony neuron Katedra Inżynierii Systemów Sterowania wagi połączeń pomiędzy warstwami neuronów są modyfikowane zgodnie regułą Hebba WTM mechanizm współzawodnictwa istnieje mechanizm hamujący narastanie wag idea polega na mapowaniu bliskości geometrycznej neuronów pre-synaptycznych (korelacji ich sygnałów elektrycznych) w warstwie po-synaptycznej

Podstawowe struktury SOM Wagi połączeń synaptycznych (wiązka wag) Model Kohonena Dwuwymiarowa macierz neuronów po-synaptycznych (wyjście) Zwycięski neuron (przykład) Cechy: Jest bardziej ogólnym modelem niż model Willshaw-von der Malsburg a nie odwzorowuje konkretnego procesu zachodzącego w ludzkim mózgu a jedynie wzoruje się na cechach tych procesów umożliwia kompresję danych Wejście Katedra Inżynierii Systemów Sterowania

Podstawowe procesy zachodzące w SOM 1. Współzawodnictwo Dla każdego wejścia neurony konkurują pomiędzy sobą. Neuron o największym sygnale wyjściowym (discriminant function) wygrywa. (długoterminowy mechanizm hamujący) 2. Kooperacja Zwycięski neuron determinuje sąsiedztwo topologiczne pobudzonych neuronów. (krótkoterminowy mechanizm pobudzający) 3. Adaptacja wag synaptycznych Wagi synaptyczne zwycięskiego neuronu oraz jego sąsiedztwa topologicznego zostają wzmocnione. Katedra Inżynierii Systemów Sterowania

Przyjmijmy wektor wejściowy postaci: Proces współzawodnictwa w SOM x x, x,..., ] [ 1 2 x m T Przyjmijmy wektor wag synaptycznych neuronu j: np: w ) j ( w j1, w j 2,..., w j, m T j 1,2,, l - liczba neuronów l X = [x1 x2] Katedra Inżynierii Systemów Sterowania

Proces współzawodnictwa w SOM Zadanie polega na znalezieniu najlepszego dopasowania pomiędzy x oraz w j x będzie szukało najlepszego dopasowania z każdym wektorem w j. Waga o zwycięskim indeksie j będzie podlegała adaptacji. Obliczamy: w T j x dla każdego j=1,2,, l i wybieramy największe (j) Maksymalizujemy : w T j co jednocześnie oznacza minimalizację: x x w j Przyjmijmy index i(x) : i( x) arg min j x w j j takie j jest indeksem zwycięskiego neuronu a w j jest najbliższym x wektorem.

Proces współzawodnictwa w SOM Ciągła przestrzeń wejść (wzorców pobudzających) jest mapowana w dyskretną przestrzeń wyjść poprzez proces współzawodnictwa pomiędzy neuronami. W zależności od potrzeb (aplikacji) odpowiedzią (wyjściem) z sieci może być indeks zwycięskiego neuronu lub wektor wag synaptycznych najbliższy wektorowi wejściowemu w sensie odległości Euklidesowej. Katedra Inżynierii Systemów Sterowania

Proces współzawodnictwa w SOM i(x) Dyskretna przestrzeń wyjść A Mapowanie wejść H w przestrzeń A przy pomocy mapy SOM w i x Ciągła przestrzeń wejść H Katedra Inżynierii Systemów Sterowania

Proces kooperacji w SOM Czy tylko zwycięski neuron powinien mieć możliwość adaptacji wag? Okazuje się, iż znacznie lepsze rezultaty przynosi umożliwienie adaptacji wag również sąsiadom zwycięskiego neuronu. Pozostaje jednak pytanie: które neurony maja posiadać ten przywilej? Intuicyjnie czujemy że neurony leżące najbliżej zwycięskiego powinny mieć możliwość pełniejszej adaptacji wag a te leżące dalej, mniejszej. Niech h i,j oznacza sąsiedztwo topologiczne, którego środkiem jest zwycięski neuron i. Niech j oznacza jedne z pobudzonych neuronów sąsiedztwa. Niech d i,j oznacza odległość pomiędzy zwycięskim neuronem i oraz pobudzonym j. Katedra Inżynierii Systemów Sterowania

Proces kooperacji w SOM Możemy założyć że h i,j jest unimodalną funkcją d i,j spełniającą dwa warunki: 1. h i,j jest symetryczna względem maksimum zdefiniowanego dla d i,j = 0, co ma miejsce dla zwycięskiego neuronu i. 2. Amplituda h i,j maleje monotonicznie wraz ze wzrastaniem odległości d i,j i osiąga wartość 0 przy d i,j. Jest to warunek konieczny zbieżności algorytmu uczenia! Dobrym wyborem funkcji h i,j jest funkcja Gaussa. Katedra Inżynierii Systemów Sterowania

Proces kooperacji w SOM Funkcja Gaussa h j,i 1.0 h 2 d j, i exp 2 j, i( x) 2 gdzie 2σ jest parametrem. j 2σ Funkcja h i,j nie zależy od położenia zwycięskiego neuronu!! 0 d j,i W 1D SOM d i,j można zapisać jako d i,j = j i. Natomiast w przypadku 2D SOM d i,j można zapisać jako: d r r 2 j, i j i Gdzie r j jest dyskretnym wektorem definiującym pozycję pobudzonego neuronu j a r i, definiującym pozycję zwycięskiego neuronu i. 2 Katedra Inżynierii Systemów Sterowania

Proces kooperacji w SOM Ważną cechą algorytmu uczenia SOM jest fakt że rozmiar sąsiedztwa topologicznego neuronów zawęża się z czasem (krokiem iteracji). Najczęściej przyjmuje się σ(n) postaci: ( n) n 0 exp n 1 0,1,2, Gdzie σ o jest wartością początkową σ, a τ 1 jest stałą czasową. Tak więc, zmienna w czasie, zawężająca się funkcja sąsiedztwa topologicznego h i,j, jest zdefiniowana jako: h 2 d j, i ( n) exp 2 2 ( ) n j, i( x) n 0,1,2, Katedra Inżynierii Systemów Sterowania

Proces adaptacji wag synaptycznych SOM Neurony określone przez funkcję sąsiedztwa topologicznego zwycięskiego neuronu mają przywilej adaptacji swoich wag w kierunku wektora wejściowego x. Powstaje pytanie w jaki sposób te wagi zmieniać? Klasyczna reguła Hebba prowadzi w przypadku uczenia nienadzorowanego do sytuacji w której zmiany wag następują jedynie w kierunku ich wzrostu, co szybko prowadzi do procesu saturacji sieci. Aby zniwelować ten problem, do algorytmu wprowadzono współczynnik zapominania : j g ( y j ) w j Gdzie g(y j ) jest dodatnią liczbą będąca funkcją odpowiedzi y j. Przyjmujemy że g(y j )=0 dla y j = 0. W rezultacie zmiana wag neuronu j przebiega zgodnie z: w y x g( y ) w Gdzie ƞ jest współczynnikiem szybkości uczenia. j j j

Proces adaptacji wag synaptycznych SOM Przyjmując: g( y j ) w j y j Dla zwycięskiego neuronu i(x), możemy przyjąć : y j h j, i( x) I w rezultacie: w j h ( x w j, i( x) j ) W postaci dyskretnej, wagi neuronu j w kolejnych krokach iteracji wynoszą: w j ( n 1) wj ( n) ( n) hj, i( x) ( n) x( n) wj ( n) W ten sposób powinny zostać zmienione wagi wszystkich neuronów sąsiedztwa topologicznego neuronu zwycięskiego i.

Proces adaptacji wag synaptycznych SOM Formuła: w j ( n 1) wj ( n) ( n) hj, i( x) ( n) x( n) wj ( n) Prowadzi do systematycznego przesuwania się wag w i neuronu zwycięskiego w kierunku wektora wejściowego x. Generalnie, algorytm prowadzi do topologicznego uporządkowania mapy neuronów na podobieństwo wektora wejść. Również współczynnik szybkości uczenia powinien maleć wraz z krokami iteracji, np: ( n) n 0 exp n 2 0,1,2, τ 2 jest kolejną stałą czasową

Proces adaptacji wag synaptycznych SOM Proces adaptacji wag synaptycznych można podzielić na dwie fazy: 1. Fazę samoorganizacji lub uporządkowywania 2. Fazę zbieżności

Proces adaptacji wag synaptycznych SOM Faza samoorganizacji lub uporządkowywania W tej fazie następuje faktyczne porządkowanie topologiczne wektorów wag. proces ten trwa przeważnie ponad 1000 iteracji; współczynnik szybkości uczenia powinien startować z wartości bliskich 0.1 i stopniowo się zmniejszać. Nie powinien on jednak spadać poniżej wartości 0.01. Można to osiągnąć poprzez przyjęcie ƞ o = 0.1 oraz τ 2 = 1000. n n ( n) exp 0.1exp 0 1000 2 funkcja sąsiedztwa h i,j (n) powinna początkowo obejmować prawie wszystkie neurony i następnie zmniejszać się z czasem, tak aby finalnie obejmowała kilka lub nawet tylko zwycięski neuron. można więc przyjąć wartość σ o równą promieniowi macierzy neuronów (przypadek 2D SOM), oraz: 1000 1 log 0

Proces adaptacji wag synaptycznych SOM Faza zbieżności W tej fazie następuje tuning położenia neuronów na mapie SOM. ilość iteracji niezbędnych do zbieżności procesu jest silnie uzależniony od rozmiaru wektora wejść. Przyjmuje się, że proces zbieżności algorytmu powinien trwać przynajmniej 500 razy ilość neuronów. współczynnik szybkości uczenia powinien się utrzymywać na wartościach ok. 0.01, nie powinien jednak nigdy spadać do zera! funkcja sąsiedztwa h i,j (n) obejmować kilka najbliższych neuronów zwycięzcy lub tylko zwycięski neuron czyli h i,j (n)= 0.

SOM w Matlabie Inicjalizacja wag sieci

SOM w Matlabie Wagi sieci po 1 epoce

SOM w Matlabie Wagi sieci po 10 epokach

SOM w Matlabie Wagi sieci po 300 epokach

SOM w Matlabie Wejście

SOM w Matlabie Inicjalizacja wag sieci

SOM w Matlabie Wagi sieci po 1 epoce

SOM w Matlabie Wagi sieci po 2 epokach

SOM w Matlabie Wagi sieci po 5 epokach

SOM w Matlabie Wagi sieci po 20 epokach

SOM w Matlabie Wagi sieci po 200 epokach

SOM w Matlabie Wagi sieci po 200000 epokach

SOM w Matlabie Wejście

SOM w Matlabie Inicjalizacja wag sieci

SOM w Matlabie Wagi sieci po 1 epoce

SOM w Matlabie Wagi sieci po 2 epokach

SOM w Matlabie Wagi sieci po 5 epokach

SOM w Matlabie Wagi sieci po 50 epokach

SOM w Matlabie Wagi sieci po 5000 epokach

SOM w Matlabie Wagi sieci po 50000 epokach

Dziękuję za uwagę