پروژه متلب کلاسیفیکشن به روش SOM بر مبنای روابط کوهونن و شبکه عصبی
معمولا دانش پژوهان این شبكه را یكی از سخت ترین شبكه های تك لایه میدانند.كوهنن شبكه ای طراحی كرد كه تنها پارامتر معلوم آن نرون های ورودی است در حالی كه وزنها و نرون های خروجی به عنوان پارامترهای مجهولی هستند كه باید پیدا شوند.مهمترین خصوصیت این شبكه خودسازمان ده بودن آن است. روش كار كوهنن به این صورت است كه برای تعداد نرون های خروجی عددی را انتخاب میكند و از یك منطق ساده فاصله هندسی الگو را بدست می آورد.نرون های ورودی و خروجی با مقادیر باینری مقدار دهی میشوند.اساس كار شبكه بر مبنای كم كردن فاصله خود از الگوهای ورودی است. مقدار وزن ها با تكرار بدست می آید و شبكه به صورت غیر خطی عمل میكند. مدل کوهنن یک مدل بدون ناظر است . در این مدل تعدادی سلول عصبی که معمولاً در یک توپولوژی مسطح کنار یکدیگر چیده می شوند ، با رفتار متقابل روی یکدیگر وظیفه شبکه خود سازمانده را ایفا می کنند . این وظیفه تخمین یک تابع توضیع است . بردار x=Rn را که هر یک از درایه های آن دارای چگالی احتمال (pi(x است، در نظر بگیرید . در این فضای چگالی نمونه هایی را به تناوب و تصادف انتخاب کرده به شبکه اعمال می کنیم بر اساس موقعیت بردار ورودی در فضای Rn ، وزن های سلول ها طبق الگریتمی تغییر میکنند. این تغییر به نحوی انجام می گیرد که در نهایت ، بردار های وزن مربوط به سلول ها به طور یکنواخت در فضای چگالی احتمال ورودی توزیع می شوند و بدین ترتیب شبکه با پراکندن سلول های خود در فضای ورودی پگالی احتمال آن را تخمین می زند .پراکندگی سلول ها در فضای احتمال ورودی به نوعی می تواند فشرده سازی اطلاعات محسوب شود، زیرا اکنون هر سلول مبین تقریبی از یک محدوده مشخص در فضای Rn است.
در این پژوهش دو شبکه عصبی ضمن کلاسفیفیکشن به روش SOM بر مبنای روابط کوهونن و شبکه عصبی توسعه داده شده است
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد