learnsom

Самоорганизующаяся функция обучения весу карты

Синтаксис

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

Описание

learnsom является самоорганизующейся функцией обучения весу карты.

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

`W`	`S`-by- `R` матрица веса (или `S`-by- `1` вектор смещения)
`P`	`R`-by- `Q` входные векторы (или `ones(1,Q)`)
`Z`	`S`-by- `Q` взвешенные входные векторы
`N`	`S`-by- `Q` сетевые входные векторы
`A`	`S`-by- `Q` выходные векторы
`T`	`S`-by- `Q` целевой слой векторов
`E`	`S`-by- `Q` векторы ошибок слоя
`gW`	`S`-by- `R` градиент веса относительно эффективности
`gA`	`S`-by- `Q` выходной градиент относительно эффективности
`D`	`S`-by- `S` нейронные расстояния
`LP`	Параметры обучения, нет, `LP = []`
`LS`	Состояние обучения, первоначально должно быть = `[]`

и возвращает

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

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

`LP.order_lr`	`0.9`	Упорядоченное расположение скорости обучения на фазе
`LP.order_steps`	`1000`	Упорядоченное расположение шагов фазы
`LP.tune_lr`	`0.02`	Настройка скорости обучения на фазе
`LP.tune_nd`	`1`	Настройка расстояния соседства фазы

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

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

Примеры

Здесь вы задаете случайный вход P, выход A, и весовой матрицы W для слоя с двухэлементным входом и шестью нейронами. Вы также вычисляете положения и расстояния для нейронов, которые расположены в шестигранном шаблоне 2 на 3. Затем вы задаете 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;

Потому что learnsom эти значения нужны только 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 входных данных нейрона P, активация A2, и скорость обучения LR:

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

где активация A2 найдено из вывода слоя A, расстояния между нейронами D, и текущий размер окрестности ND:

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

Область скорости обучения LR и размер окрестности NS изменяются через две фазы: фазу упорядоченного расположения и фазу настройки.

Фазы упорядоченного расположения длятся столько шагов, сколько LP.order_steps. На этой фазе LR отрегулирован из LP.order_lr вплоть до LP.tune_lr, и ND регулируется с максимального расстояния нейронов до 1. Именно на этой фазе ожидается, что веса нейронов сами упорядочятся во входном пространстве, сопоставимом с соответствующими положениями нейронов.

Во время фазы настройки LR медленно уменьшается от LP.tune_lr, и ND всегда установлено на LP.tune_nd. На этой фазе ожидается, что веса будут распределяться относительно равномерно по входному пространству с сохранением их топологического порядка, определенного на фазе упорядоченного расположения.

См. также

adapt | train

Представлено до R2006a

Документация