Нейронная сеть Кохонена.

Для многомерного распределения объектов в заданном пространстве координат построить плоскую картину (карту Кохонена) и на этой карте определить области, занимаемыми объектами двух или большого количества классов. Такая картина имеет существенное отличие от действительного распределения. Более того, если мы захотим оценить принадлежность того или иного класса, то объект можно разместить на карте.

Обучение сети Кохонена осуществляется по принципу без учителя.

Обучение заключается в том, что на каждой эпохе подаются образцы обучающей выборки и фиксируются наибольшее значение для данного элемента в одной из клеток карты Кохонена. При этом наиболее близкие элементы приближаются друг к другу путем вычисления суммарных общих центров. Там, где суммарные значения вероятности центральных элементов меньше, на карте отмечаются соответствующие границы. Обученная т.о. сеть при подаче на её вход вектора параметров неизвестного объекта показывает, к какому классу принадлежит объект. На карте можно использовать влияние отдельного параметра на отнесение к какому-либо классу.

Сеть Хопфилда.

Задача сети заключается в том, чтобы запомнить объект, а затем воспроизвести его, даже если параметры были искажены.

Эта сеть имеет обратное распространение сигнала. Каждый выходной элемент нейрона последнего слоя связан с входами всех остальных нейронов. На стадии инициализации весовые коэффициенты рассчитываются как суммы ω_ij = Σx_i^k*x_j^k, k = 1…p, затем рассчитывается функция активации от взвешенной суммы. Полученные на выходе сигналы вновь поступают на вход отдельного элемента и снова рассчитываются значения выхода с учетом весовых коэффициентов. На каждой итерации вычисляется разность между текущей и предыдущей итерации. Сеть стабилизируется, когда эта разность становится меньше, чем наперед заданное значение.