learnsom

Самоорганизующаяся функция изучения веса карты

Синтаксис

[dW,LS] = learnsom(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) info = learnsom('code')

Описание

learnsom - самоорганизующаяся функция изучения веса карты.

[dW,LS] = learnsom(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) принимает несколько входов,

`W`	`S`около-`R` весовая матрица (или `S`около-`1` вектор смещения)
`P`	`R`около-`Q` входные векторы (или `ones(1,Q)`)
`Z`	`S`около-`Q` взвешенные входные векторы
`N`	`S`около-`Q` чистые входные векторы
`A`	`S`около-`Q` выходные векторы
`T`	`S`около-`Q` целевые векторы слоев
`E`	`S`около-`Q` векторы ошибок слоев
`gW`	`S`около-`R` градиент веса в зависимости от производительности
`gA`	`S`около-`Q` выходной градиент по производительности
`D`	`S`около-`S` расстояния нейронов
`LP`	Параметры обучения, нет, `LP = []`
`LS`	Состояние обучения, первоначально должно быть = `[]`

и возвращает

`dW`	`S`около-`R` матрица изменения веса (или смещения)
`LS`	Новое состояние обучения

Обучение происходит в соответствии с learnsomПараметры обучения, показанные здесь с их значениями по умолчанию.

`LP.order_lr`	`0.9`	Скорость обучения на этапе заказа
`LP.order_steps`	`1000`	Этапы упорядочения
`LP.tune_lr`	`0.02`	Частота изучения фазы настройки
`LP.tune_nd`	`1`	Настройка фазы расстояния окрестности

info = learnsom('code') возвращает полезную информацию для каждого code символьный вектор:

`'pnames'`	Названия параметров обучения
`'pdefaults'`	Параметры обучения по умолчанию
`'needg'`	Возвращает 1, если эта функция используется `gW` или `gA`

Примеры

Здесь определяется случайный ввод P, вывод Aи весовая матрица W для слоя с двухэлементным входом и шестью нейронами. Вы также рассчитываете положения и расстояния для нейронов, которые расположены в шестиугольной структуре 2 на 3. Затем определяются четыре параметра обучения.

p = rand(2,1);
a = rand(6,1);
w = rand(6,2);
pos = hextop(2,3);
d = linkdist(pos);
lp.order_lr = 0.9;
lp.order_steps = 1000;
lp.tune_lr = 0.02;
lp.tune_nd = 1;

Поскольку learnsom только эти значения необходимы для вычисления изменения веса (см. «Алгоритм» ниже), используйте их для этого.

ls = [];
[dW,ls] = learnsom(w,p,[],[],a,[],[],[],[],d,lp,ls)

Алгоритмы

learnsom вычисляет изменение веса dW для данного нейрона из входа нейрона P, активация A2и скорость обучения LR:

dw = lr*a2*(p'-w)

где активация A2 найдено из выходных данных слоя A, расстояния между нейронами D, и текущий размер района ND:

a2(i,q) = 1,  if a(i,q) = 1
		 = 0.5, if a(j,q) = 1 and D(i,j) <= nd
		 = 0, otherwise

Уровень обучения LR и размер окрестностей NS изменяются через две фазы: фазу упорядочения и фазу настройки.

Фазы упорядочения длятся столько шагов, сколько LP.order_steps. В течение этой фазы LR корректируется из LP.order_lr вниз до LP.tune_lr, и ND корректируется от максимального расстояния нейрона до 1. Именно во время этой фазы ожидается, что веса нейронов упорядочатся в пространстве ввода, согласующемся с соответствующими положениями нейронов.

Во время фазы настройки LR медленно уменьшается от LP.tune_lr, и ND всегда имеет значение LP.tune_nd. Во время этой фазы ожидается, что веса будут распределяться относительно равномерно по входному пространству при сохранении их топологического порядка, определенного во время фазы упорядочения.

См. также

adapt | train

Представлен до R2006a

Документация