обучающие образы подаются на входной слой, каждый
S
-
элемент со-
ревнуется с остальными элементами окрестности, называемой окрест-
ностью соревнования, которая имеет форму гиперстолбца в наборе
плоскостей элементов. Элемент
U
Sl
(
n, k
)
выбирается в качестве на-
чального тогда и только тогда, когда его выходное значение превос-
ходит выходное значение любого из элементов окрестности соревно-
вания. Из уравнения (5) видно, что каждая входная связь начального
элемента увеличивается пропорционально выходному значению эле-
мента, из которого ведет данная связь. Поскольку существуют общие
связи для каждой из плоскостей элементов, то каждый из элементов
плоскости должен иметь то же самое множество входных связей, что
и начальный элемент. Способность нейронных сетей к устойчивому
распознаванию образов обусловлена избирательностью элементов к
признакам, управляемой пороговым значением.
Для
S
-
элементов модуля распознавания (
U
S
4
)
реализуется конку-
рентное обучение с учителем. Алгоритм обучения аналогичен при-
меняемому для слоев
U
S
2
и
U
S
3
,
но для обучения также необходимы
метки классов образов. Когда нейронная сеть проходит обучение на
различных деформированных образах с использованием конкурентно-
го обучения, для одного класса может быть сгенерировано несколь-
ко различных плоскостей элементов. Поэтому каждой добавляемой
плоскости слоя
U
S
4
следует ставить в соответствие метку класса, ко-
торому принадлежит образ.
Метка
S
-
элемента с максимальным выходным значением опреде-
ляет окончательный результат распознавания. Каждый раз, когда в
процессе обучения создается новая плоскость элементов, образуют-
ся возбуждающие связи ото всех
S
-
элементов к
C
-
элементу данного
класса. После обучения, в процессе распознавания, также проходит
соревнование между
S
-
элементами, и лишь максимальное выходное
значение может быть передано на слой
U
C
4
.
В процессе распознавания для слоя
U
S
4
пороги
θ
R
4
выбираются на-
столько низкими, чтобы для большинства входных значений имелся
ненулевой выход от нескольких
S
-
элементов. Следовательно, процесс
нахождения
S
-
элемента с наибольшим выходным значением эквива-
лентен процессу нахождения ближайшего опорного вектора в много-
мерном пространстве признаков.
Оптимизация параметров неокогнитрона.
Оценка параметров
распределения Гаусса.
Фиксированные связи (
a
Cl
,
c
Sl
)
вычисляют с
помощью функций Гаусса. Начальное значение переменных связей
a
Sl
,
b
Sl
также задают функцией Гаусса.
Параметры ядра функции Гаусса могут быть рассчитаны различ-
ными методами. Предлагаемый метод основан на определении кор-
реляции между пикселами векторов входных значений. Рассмотрим
ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”. 2012
235
