Самоорганизующаяся карта Кохонена Википедия. Самоорганизу. Self organizing map  SOM  нейронная сеть с обучением без учителя, выполняющая задачу визуализации и кластеризации. Идея сети предложена финским учным Т. Является методом проецирования многомерного пространства в пространство с более низкой размерностью чаще всего, двумерное, применяется также для решения задач моделирования, прогнозирования, выявление наборов независимых признаков, поиска закономерностей в больших массивах данных, разработке компьютерных игр, квантизации цветов к их ограниченному числу индексов в цветовой палитре при печати на принтере и ранее на ПК или же на приставках с дисплеем с пониженным числом цветов, для архиваторов. Является одной из версий нейронных сетей Кохонена. Метод был предложен финским учным Теуво Кохоненом в 1. Существует множество модификаций исходной модели. Самоорганизующаяся карта состоит из компонентов, называемых узлами или нейронами. Их количество задатся аналитиком. Каждый из узлов описывается двумя векторами. Второй  вектор r, представляющий собой координаты узла на карте. Карта Кохонена визуально отображается с помощью ячеек прямоугольной или шестиугольной формы последняя применяется чаще, поскольку в этом случае расстояния между центрами смежных ячеек одинаковы, что повышает корректность визуализации карты. Изначально известна размерность входных данных, по ней некоторым образом строится первоначальный вариант карты. В процессе обучения векторы веса узлов приближаются к входным данным. Инструкция По Эксплуатации Предохранительных Клапанов Образец. Для каждого наблюдения семпла выбирается наиболее похожий по вектору веса узел, и значение его вектора веса приближается к наблюдению. Также к наблюдению приближаются векторы веса нескольких узлов, расположенных рядом, таким образом если в множестве входных данных два наблюдения были схожи, на карте им будут соответствовать близкие узлы. Алгоритм кластеризации, основанный на самоорганизующихся. Архитектура самоорганизующейся карты Кохонена следующая. Самоорганизу. Selforganizing map SOM нейронная сеть с обучением без учителя, выполняющая задачу визуализации и кластеризации. Самоорганизующиеся карты SelfOrganizing Maps, SOM. Кластеризация или естественная классификация это процесс. Известных разновидностей сетей Кохонена слои сети Кохонена, реализующие кластеризацию входных векторов, самоорганизующиеся карты. Смотрите другие видео этого курса, выполняйте упражнения и изучайте интеллектуальные системы и машинное обучение на нашем. Важной особенностью самоорганизующихся карт Кохонена. Самоорганизующиеся карты Кохонена мощный самообучающийся механизм кластеризации, позволяющий отобразить результаты в виде компактных. Циклический процесс обучения, перебирающий входные данные, заканчивается по достижении картой допустимой заранее заданной аналитиком погрешности, или по совершении заданного количества итераций. Таким образом, в результате обучения карта Кохонена классифицирует входные данные на кластеры и визуально отображает многомерные входные данные в двумерной плоскости, распределяя векторы близких признаков в соседние ячейки и раскрашивая их в зависимости от анализируемых параметров нейронов. В результате работы алгоритма получаются следующие карты карта входов нейронов  визуализирует внутреннюю структуру входных данных путм подстройки весов нейронов карты. Обычно используется несколько карт входов, каждая из которых отображает один из них и раскрашивается в зависимости от веса нейрона. На одной из карт определенным цветом обозначают область, в которую включаются приблизительно одинаковые входы для анализируемых примеров. Очерченные области на карте представляют собой кластеры, состоящие из нейронов со схожими значениями выходов. Кохонена, а также другие карты, которые их характеризуют. Если находится несколько узлов, удовлетворяющих условию, BMU выбирается случайным образом среди них. Функция определяет меру соседства узлов Mi. Она должна постепенно уточнять их значения, сначала у большего количества узлов и сильнее, потом у меньшего и слабее. Часто в качестве функции соседства используется гауссовская функция hcit. С другой стороны, нейронные сети теоретически могут аппроксимировать любую непрерывную функцию, что позволяет исследователю не принимать заранее какие либо гипотезы относительно модели. ISBN 3 5. 40 6. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт, Альпина Паблишер, 2. ISBN 5 8. 96. 84 0. Зиновьев А. Ю. Визуализация многомерных данных. Красноярского государственного технического университета, 2. Нейронные сети Кохонена и нечеткие нейронные сети в интеллектуальном анализе данных.