Искусство в IT-технологиях...

Нестерук Татьяна Никифоровна. Разработка модели адаптивного корпоративного сайта и инструментария для повышения эффективности маркетинговых решений, 2006

Самообучающиеся НС (без учителя).

Для придания средствам интеллектуального анализа экономических данных возможности саморазвития используют самообучающиеся нейронные сети. Возможность самообучения - необходимый атрибут НС для анализа и выявления скрытых закономерностей в многомерной информации,
свойственных большинству задач интеллектуального анализа экономических данных, в частности, задачам классификации и кластеризации.
Самообучение в НС связано с правилом, сформулированным Хеббом.
Самообучение по Хеббу основано на биологическом подобии искусственных НС и учитывает степень активности входов и выходов формальных нейронов нейронной сети. Правило Хсбба декларирует идею самоорганизации нейронной сети: «Если нейроны с обеих сторон локальной взвешенной связи активизируются одновременно и регулярно, то вес локальной связи возрастает» [87J.
При корректировке взвешенных связей по правилу Хсбба сильнее обучаются локальные связи между формальными нейронами с большими значениями выходных сигналов [88]. По дифференциальному правилу Хебба обучаются локальные связи, соединяющие формальные нейроны, выходы которых наиболее динамично изменились в сторону увеличения [89].
Для ограничения роста весов связей в правило Хебба вводят механизм забвения, т. е. если нейроны с обеих сторон локальной взвешенной связи активизируются не одновременно и не часто, то вес локальной связи уменьшается [89].
Процессы возрастания или снижения веса локальных связей регулируются коэффициентом ц - параметром скорости обучения и ф -коэффициентом забвения, значения которых находятся в интервале [0;1].
Самообучение методом соревнования. Подобное обучение имеет место в биологических нейронных сетях. Самообучение посредством соревнования позволяет группировать входные данные: подобные входные векторы объединяются нейронной сетью в группу и представляются одним элементом - формальным нейроном-прототипом.
В отличие от обучения Хебба, в котором множество выходных формальных нейронов могут возбуждаться одновременно, при соревновательном обучении выходные формальные нейроны соревнуются между собой за активизацию по правилу - «победитель получает все».
При обучении модифицируются только веса формального нейрона -победителя. Вектор весов связей победившего формального нейрона -победителя смещается в многомерном пространстве решений по направлению к входному примеру (в зависимости от величины ц - параметра скорости обучения). Каждый из классов, на которые НС разбивает векторы обучающей выборки, соотносится только с одним из выходных формальным нейроном - победителем, чей весовой вектор соответствует центру тяжести данного класса входных векторов.
Соревновательный метод обучения используется в НС для визуализации многомерных данных на основе SOM Кохонена.
Принцип формирования топографического отображения реализован в SOM - самоорганизующихся картах Кохонена (рис. 1.4) [90]: «Близкие входные векторы возбуждают близкие формальные нейроны выходного слоя нейронной сети».
В базовом методе соревновательного обучения ФН скрытого слоя конкурируют за право быть активированными, так как в каждый момент времени только единственный ФН-прототип в соревновательном слое может находиться в активном состоянии, а именно - формальный нейрон-победитель.
Алгоритм Кохонена предусматривает подстройку весов локальных связей исходя из значений весов на предыдущей итерации.
SOM является специальным случаем нейронной сети, обучающейся методом соревнования, в которой определяется пространственная окрестность для каждого выходного ФН. После выбора в слое формального нейрона-победителя обучается также и его ближайшие соседи, расположенные в окрестности. Начальный размер окрестности устанавливается в пределах от 1/2 до 2/3 размера сети и сокращается в процессе обучения согласно определенному закону (например, по экспоненциально убывающей зависимости). Во время обучения модифицируются все веса, связанные с победителем и его соседними ФН.

На этапе активации для очередной итерации вычисляются значения степени близости поступившего входного вектора с векторами весов каждого формального нейрона - прототипа. В случае отсутствия классов в структуру НС вводится ФН-прототин, координаты вектора весов которого равны координатам входного вектора, т. е. формируется новый класс входных векторов, а в НС появляется новый кластер.
Если достигнута заданная точность отнесения входного вектора к одному из классов, то на этапе обучения производится коррекция весов соответствующего формального нейрона - прототипа с учетом значения коэффициента г|.
Если входной вектор нельзя отнести ни к одному из классов с заданной точностью, то в структуру НС вводится ФН-прототип, координаты вектора весов которого равны координатам входного вектора.
Далее повторяются этапы алгоритма, начиная с п.2.
Считается, что нейронная сеть никогда не перестает самообучаться, если параметр скорости обучения г) отличен от 0.
Основное достоинство алгоритмов самообучения - возможность самоорганизации нейронной сети (эволюционный процесс развития), а недостаток алгоритма соревновательного обучения - неконтролируемый порядок назначения классов при решении задачи кластеризации, зависящий от порядка подачи входных векторов. Для устранения названного недостатка использую нейронные сети встречного распространения.
предыдущий следующий
= К содержанию =


Самообучающиеся НС (без учителя). - релевантная информация:

  1. «Опрашиваемое»: вот-бытие (естьность) цвета.
    без малейших пробелов; сам по себе Цх есть полная определенность, полнота содержательности и только для вопрошающего он выступает как нечто неизвестное, неопределенное. Именно для вопрошающего о Цх становится «иксом» - неопределенную для вопрошающего и подлежащую определению законченную полноту определенности. Обозначая цвет как Цх (неизвестное, неопределенное) вопрошающий, таким образом,
  2. 1.3.2. Интеллектуальные аналитические системы на базе нейронных сетей
    без учителя (самообучение) и смешанное. В первом случае (обучение с учителем) нейронная сеть располагает обучающей выборкой - правильными ответами на каждый входной пример. Веса связей настраиваются так, чтобы нейронная сеть формировала ответы как можно более близкие к известным правильным ответам. Обучение без учителя не требует знания правильных ответов на каждый пример обучающей выборки,
  3. СПИСОК ИСПОЛЬЗОВАННЫХ источников
    безопасности иерархических систем // IX Санкт-Петербургская международная конференция Региональная информатика - 2004 «РИ-2004»: Тезисы докладов-СПб. 2004.-С. 146. Недосекин А. О. Нечетко-множественный анализ риска фондовых инвестиций. - Тнпо1рафия "Сезам", 2002. Zadch L. A. Outline of a new approach to the analysis of complex Systems and decision processes // IEEE Trans Systems. Man Cybernetics.
  4. 3.2. Продвижение пиар - проектов: опыт, проблемы, перспективы
    без проведения дорогостоящих исследований, которые оправдывают себя преимущественно при исследовании крупных аудиторий глобальных проектов. Итак, что же может узнать владелец Интернет-ресурса о своей аудитории, пользуясь легальными средствами? Абсолютно легально, аппаратными средствами, можно узнать, сколько времени пользователь проводит на сайте, сколько страниц он за это время прочитывает,
  5. Выводы по главе
    без него, так с аудиторий, перешедшей только посредством клика. Это необходимо, так как аудиторию, перешедшую посредством клика, можно напрямую отнести к результатам рекламной кампании, а пользователи, пришедшие на веб-сайт самостоятельно, могли это сделать как под влиянием рекламного сообщения, так и независимо от него.Предложенный комплексный метод оценки эффективности рекламной деятельности в
  6. После знакомства с веб-сайтом…
    без знакомства с веб-сайтом) у пользователя может появиться желание совершить какие-либо действия благоприятные для рекламодателя: позвонить на фирму для уточнения какой-либо информации или для заказа товара; приехать в пункт продажи товара; и т.п.После просмотра веб-сайта: отослать сообщение через Интернет для уточнения какой-либо информации; зарегистрироваться на веб-сайте для участия в
  7. Число посещений
    без него, так с аудиторий, перешедшей только посредством клика. Это необходимо, так как аудиторию, перешедшую посредством клика, можно напрямую отнести к результатам рекламной кампании, а пользователи, пришедшие на веб-сайт самостоятельно, могли это сделать как под влиянием рекламного сообщения, так и независимо от него.Проиллюстрируем методику на примере. Допустим, что в течение месяца до начала
  8. Веб-сайт рекламодателя является одним из наиболее важных элементов эффективности рекламного воздействия…
    без каких-либо затруднений найти на веб-сайте рекламодателя всю интересующую его информацию, необходимую для принятия решения о приобретении товара, либо для каких-то других действия благоприятных для рекламодателя.Основные показатели на этой стадии: число уникальных пользователей; число посещений; частота посещения; число новых пользователей; географическое распределение пользователей; число
  9. Число уникальных кликов
    без учета повторных кликов со стороны одних и тех же пользователей. Показатель предложен автором для использования. Он характеризует численность аудитории, заинтересовавшейся рекламным сообщением.Каждый пользователь за период проведения рекламной кампании может заинтересоваться рекламным сообщением и перейти на веб-сайт рекламодателя сколько угодно раз. Поэтому, для того чтобы получить
  10. Тест Бриззона
    без названия товарной марки. Предлагается ответить на вопросы: помнят ли они, что видели эти кадры, если "да", то идентифицировать товарную марку и описать ролик.Для выявления уровня осведомленности проводят тест на осведомленность, который состоит в сопоставлении долей потребителей, знавшей о продукции до проведения рекламной кампании и после