شیوه هاي انتخاب همسایگی در شبکه لایه کوهوننسه‌شنبه 07, ژانویه 2020

در ادامه آموزش های سایت همیارپروژه درباره شبکه خودسازمانده با شبکه (لایه) کوهونن  تا حدودی آشنا شدیم و در حال حاضر می خواهیم به شیوه های انتخاب همسایگی در این شبکه بپردازیم.همچنین در آموزش های بعدی پیاده سازی آن در متلب را پیگیری خواهیم نمود.

همسایگی پیرامون نورون برنده را چگونه تعریف کنیم که از نظر بیولوژیکی نیز موجه باشد؟

در علم اعصاب مشخص شده است، که یک واحد فعال بر روي واحدهاي همسایگی نزدیک بیشتر از همسایه هاي دور اثر می گذارد لذا بایستی همسایگی حول نورون i یک همسایگی متقارن و کاهش یابنده هموار بافاصله از i باشد.

براي مثال تابع :

براي تطبیقی کردن نرخ یادگیري نیز از رابطه ي ذیل استفاده می شود:
نرخ یادیگري با زمان باید کاهش یابد.

توضیحات تکمیلی در مورد یادگیري شبکه

در شبکه ي فوق یادگیري در دو مرحله انجام می گیرد که به قرار ذیل هستند:

۱-فاز خودسازمان دهی(مرتب شدن Ordering)

با تغییرات اساسی لازم وزنها در این فاز مرتب می شوند، این کار شاید هزار دور تکرار الگوریتم را طلب بکند(مثلا با ۱۰۰۰ دور تکرار الگوریتم)
مسئله ي دیگر در این فاز انتخاب پارامترهاي مورد نیاز براي یادگیري است.

۲- فاز همگرائی (Tuning)

این فاز براي تنظیم دقیق نقشه است، تکرار الگوریتم در این فاز عموما حدود ۵۰۰ برابر تعداد واحدهاي نقشه است. در این فاز براي تمام فاز کوچک و ثابت مثلا ۰٫۰۱ در نظر نظر گرفته می شود. همسایگی در این فاز در ابتدا شامل واحد برنده و چند همسایه آن می شود که سپس به تدریج به خود واحد برنده می رسد.

نگاشت حاصل از شبکه SOM به این ترتیب است :

نقشه ي محاسبه شده با SOM از نظر توپولوژیکی مرتب شده است، یعنی مکان یک نورون در نقشه متناظر یک قلمرو ویژگی مشخص الگوهاي ورودي است.

نقشه ي ویژگی معمولا در فضاي ورودي X نشان داده می شود. هر وزن با یک دایره کوچک نشان داده می شود و این دوایر براي نورون هاي مجاور با خط به یکدیگر وصل می شوند.

اگر توپولوژي یک بعدي باشد و ورودي دو بعدي شبکه با پیچ و خم سعی می کند آن را بپوشاند.

این نوع از شبکه ها بسیار پر کاربرد هستند.

برخی انواع تغییر یافته ي SOM

بعد از آشنا شدن با مبانی این شبکه و برخی از انواع آن در ادامه لیستی از شبکه ي حاصل شده از تغییرات در نوع اولیه ي SOM که به ضرورتهاي کاري مختلف انجام گرفته اند، ارائه می گردد.

برخی کاربردهاي شبکه هاي SOM

در این بخش به برخی از موارد استفاده شبکه هاي SOM می پردازیم. البته، کاربردهاي آن بسیار زیاد می باشد.

ولی در اینجا به برخی از آنها پرداخته می شود، که در مورد هر کدام نیز مرجع مورد استفاده نیز جهت مطالعه ي بیشتر معرفی گردیده است.

الف) استفاده از شبکه يSOM در سنجش از راه دور(Remote Sensing) در مواردي که به جهت زیاد بودن دقت سنسورهاي تصویر گیري با داده هاي با ابعاد زیاد مواجه می شویم بکار می رود، که این کاربرد در
بخش Extensions and Modi_cations of the Kohonen-SOM and Applications in Remote Sensing Image Analysis از کتاب SOM نوشته يThomas Villmann صورت مفصل به همراه اصلاحات انجام گرفته در ساختار اولیه ي SOM ارائه شده است.

ب) تشخیص نفوذ غیر مجاز، با استفاده از شبکه ي SOM که در مقاله ي Multiple Self Organizing Maps for Intrusion Detection نوشته Brandon Craig Rhodes, James A. Mahaffey, James D. Cannady ارائه شده است.

ج) مدلسازي شبکه هاي غشائی بزرگ با استفاده از SOM رشد کننده که در مقاله ي Modeling large cortical networks with growing self-organizing maps نوشته ی James  A. Bednar, Amol Kelkar, and Risto Miikkulainen به آن پرداخته شده است.

د)استفاده از شبکه ي SOM براي حل مسئله ي معروف فروشنده ي دوره گرد که در مقاله ي An new self-organizing maps strategy for solving the traveling salesman problem نوشته ي Yanping Bai a,*, Wendong Zhang a, Zhen Jin که در Chaos, Solitons and Fractals 28 (2006) 1082–۱۰۸۹ به چاپ رسیده است، به آن اشاره شده است.

و) تخمین چگالی احتمال با استفاده از شبکه هاي SOM که در مقاله ي Self-Organizing Mixture Networks for Probability Density Estimation نوشته ي Hujun Yin and Nigel M. Allinson که در IEEE TRANSACTIONS ON NEURAL  ETWORKS, VOL. 12, NO. 2, MARCH 2001 به چاپ رسیده است، به آن پرداخته می شود.

ن) داده کاوي (datamining) در توالی ها با استفاده از RecSOM که در مقاله ي Data Mining on Sequences with recursive Self-Organizing Mapsنوشته ي Sebastian Blohm به آن اشاره شده است.

ه) استفاده از SOM براي تکثیر داده هاي ادغامی به صورت غیر خطی که در مقاله ي Self-organizing map learning nonlinearly embedded manifolds نوشته ي Timo Simila  که در Information Visualization (2005) 4, 22–۳۱ به چاپ رسیده است، مورد بحث قرار گرفته است.

ی) استفاده از Recurrent SOM براي تخمین سري هاي زمانی که در مقاله ي Recurrent SOM with Local Linear Models in Time Series Prediction نوشته  Timo Koskela, Markus Varsta, Jukka Heikkonen به آن اشاره شده است.

و کاربردهاي بسیار دیگروجود دارند که با این شبکه و انواع اصلاح شده ي آن انجام می گیرد.شبکه SOM نیز در انجام پروژه متلب کاربردهای زیادی دارد که در آموزش های بعد نحوه پیاده سازی آن در نرم افزار متلب را خدمت شما ارائه خواهیم داد.

ممنون از همراهی شما با آموزش های سایت همیارپروژه