Россия, Москва |
Самоорганизация (самообучение) нейронных сетей
![Карта незадолго до окончания обучения. Элементы теперь упорядочены, и карта станет еще более регулярной по окончании финальной фазы сходимости](/EDI/12_08_14_3/1407852794-22209/tutorial/141/objects/13/files/13_3.gif)
Рис. 3. Карта незадолго до окончания обучения. Элементы теперь упорядочены, и карта станет еще более регулярной по окончании финальной фазы сходимости
Применение сетей с самоорганизацией
Главным свойством сети Кохонена считается компрессия данных, состоящая в том, что образующие кластер группы данных представляются единственным вектором весов нейрона-победителя. При разделении данных на кластеры и представлении каждого кластера одним из нейронов достигается значительное сокращение объема используемой под данные памяти, которое и называется компрессией. Это компрессия с потерей информации, которая сопровождается определенной погрешностью квантования.
Компрессия данных
Примером использования компрессионных свойств сети Кохонена может считаться сжатие изображений, предназначенное для уменьшения количества информации, представляющей конкретный образ, при сохранении погрешности восстановления на заданном уровне.
Пусть изображение разделяется на одинаковые кадры размером пикселов.
Образующие кадр пикселы представляют собой компоненты входного вектора
Сеть с самоорганизацией содержит нейронов, каждый из которых
имеет
входом вектор
Обучение сети при помощи одного из алгоритмов
самоорганизации состоит в подборе таких весов конкретных нейронов, при
которых минимизируется погрешность квантования (3). В результате
обучения
формируется структура сети, при которой вектору
каждого кадра
соответствует вектор весов нейрона победителя. В процессе предъявления
очередного кадра выбирается номер нейрона-победителя. Номера
нейронов-победителей образуют кодовую таблицу, а веса этих нейронов
представляют средние значения, соответствующим конкретным компонентам
вектора
(т.е. уровням интенсивности пикселов, составляющих
кадр).
Поскольку количество нейронов обычно намного меньше количества кадров, то можно получить существенное сокращение объема данных, описывающих исходное изображение. В итоге коэффициент компрессии изображения равен
![\begin{align*}
K = N \cdot n_x n_y T/(N \cdot \lg_2 n + n \cdot n_x n_y t),
\end{align*}](/sites/default/files/tex_cache/16768327221178884d93cee8cb3ec6ad.png)
где и
- размеры кадра в осях
и
- количество кадров,
- количество нейронов, а
и
- количество
битов для представления
соответственно градаций интенсивности пиксела и значений весов. Этот
подход позволяет получить степень компрессии изображений порядка
16 при
значении коэффициента сигнал/шум (PSNR) около 26-28
дБ.