The rule finds a total squared dist

The rule finds a total squared distance (i.e. separation) between inputs and weights for connections to each cluster (i.e. output). It then restricts the updating of weights to the "winner" (i.e. the one with minimum distance) and to any neighboring units if R > 0. Notice that the Kohonen approach also recommends a dynamic rather than a fixed learning rate as used with other learning algorithms. The process tends to match the weights to the inputs in a way which groups similar input patterns together. Notice that unlike Perceptron, this algorithm does not depend on target values being specified.

B. Self-Organizing Maps Applied to Pattern Recognition
In an example taken from a text by L. Fausett [3] features seven letters (A, B, C, D, E, J, and K) defined by a 9x7 array pattern, and each with three font styles. Our net therefore has 63 inputs and thus 7x3 = 21 different patterns are to be grouped. The number of clusters chosen is arbitrary and may be fewer or greater than the number of patterns. For this example 25 clusters were specified.
A MATLAB routine was written to generate the Kohonen map for this requirement, assuming a linear (one-dimensional) array of cluster units. Randomizing of the weight matrix causes differences in clustering for different runs. But the results converge rapidly for the case where R=0 (i.e. no topological structure) and more slowly for R=1. The character patterns and results of two sample runs are shown below.

Results (Thai) 1:

กฎการหาระยะทางยกกำลังสองทั้งหมด (เช่นแยก) ระหว่างอินพุตและน้ำหนักสำหรับการเชื่อมต่อกับคลัสเตอร์แต่ละ (เช่นออก) มันแล้วจำกัดการปรับปรุงน้ำหนัก "ผู้ชนะ" (เช่นเดียวกับระยะห่างต่ำสุด) และหน่วยข้างเคียงใด ๆ ถ้า R > 0 โปรดสังเกตว่า วิธี Kohonen ยังแนะนำก็มากกว่าอัตราเรียนถาวรใช้กับอัลกอริทึมการเรียนรู้อื่น ๆ การมีแนวโน้มให้ ตรงกับน้ำหนักกับปัจจัยการผลิตในลักษณะที่กลุ่มรูปแบบการป้อนข้อมูลคล้ายกัน สังเกตว่า ต่างจากเพอร์เซปตรอน อัลกอริทึมนี้ไม่ขึ้นอยู่กับค่าเป้าหมายที่ระบุB. แผนที่ตนเองจัดการกับรูปแบบการรับรู้ในตัวอย่างนำมาจากข้อความ โดย Fausett L. [3] ลักษณะเจ็ดตัวอักษร (A, B, C, D, E, J และ K) กำหนด โดยรูปแบบอาร์เรย์ 9 x 7 และด้วยลักษณะแบบอักษรสาม สุทธิของเราดังนั้นจึงมีอินพุต 63 และ 7 x 3 = 21 รูปแบบจะจัดกลุ่ม หมายเลขของคลัสเตอร์ที่เลือกถูกกำหนด และอาจน้อย หรือมากกว่าจำนวนของรูปแบบ คลัสเตอร์ 25 ได้ระบุไว้เช่นนี้ชุดคำสั่ง MATLAB ถูกเขียนขึ้นเพื่อสร้างแผนที่ Kohonen สำหรับความต้องการนี้ สมมติว่าเรย์ (one-dimensional) แบบเชิงเส้นของคลัสเตอร์หน่วย Randomizing เมทริกซ์น้ำหนักทำให้เกิดความแตกต่างในคลัสเตอร์สำหรับการทำงานแตกต่างกัน แต่ผลลัพธ์มาบรรจบกันอย่างรวดเร็วในกรณีที่ R = 0 (เช่นไม่ topological โครงสร้าง) และช้า R = 1 รูปแบบอักขระและผลลัพธ์ของการรันตัวอย่างที่สองจะแสดงอยู่ด้านล่าง

Results (Thai) 2:

กฎพบว่าระยะทางที่ยกกำลังสองทั้งหมด (เช่นแยก) ระหว่างปัจจัยการผลิตและน้ำหนักสำหรับการเชื่อมต่อกับแต่ละกลุ่ม (เช่นการส่งออก) จากนั้นก็จะ จำกัด การปรับปรุงน้ำหนักกับ "ผู้ชนะ" (คือหนึ่งที่มีระยะทางขั้นต่ำ) และหน่วยที่อยู่ใกล้เคียงใด ๆ หาก R> 0 ขอให้สังเกตว่าวิธีการ Kohonen ยังแนะนำแบบไดนามิกมากกว่าอัตราการเรียนรู้การแก้ไขที่ใช้กับการเรียนรู้อื่น ๆ อัลกอริทึม กระบวนการมีแนวโน้มที่จะตรงกับน้ำหนักปัจจัยการผลิตในทางที่กลุ่มรูปแบบการป้อนข้อมูลที่คล้ายกัน ขอให้สังเกตว่าแตกต่างจาก Perceptron ขั้นตอนวิธีนี้ไม่ได้ขึ้นอยู่กับค่าเป้าหมายที่ถูกระบุ. บี ตนเองจัดงานแผนที่ประยุกต์รูปแบบการรับรู้ในตัวอย่างที่นำมาจากข้อความโดยแอล Fausett [3] มีตัวอักษรเจ็ด (A, B, C, D, E, J, และ K) กำหนดโดยรูปแบบอาร์เรย์ 9x7 และแต่ละ มีสามรูปแบบตัวอักษร สุทธิของเราดังนั้นจึงมี 63 ปัจจัยการผลิตและ 7x3 จึง = 21 รูปแบบที่แตกต่างกันจะได้รับการจัดกลุ่ม จำนวนกลุ่มได้รับการแต่งตั้งเป็นพลการและอาจจะน้อยกว่าหรือมากกว่าจำนวนของรูปแบบ สำหรับตัวอย่างนี้ 25 กลุ่มได้รับการระบุ. ประจำ MATLAB ถูกเขียนขึ้นเพื่อสร้างแผนที่ Kohonen สำหรับความต้องการนี้สมมติเชิงเส้น (หนึ่งมิติ) อาร์เรย์ของหน่วยคลัสเตอร์ สุ่มของเมทริกซ์น้ำหนักทำให้เกิดความแตกต่างในการจัดกลุ่มสำหรับการทำงานที่แตกต่างกัน แต่ผลที่ได้มาบรรจบกันอย่างรวดเร็วสำหรับกรณีที่ R = 0 (คือไม่มีโครงสร้างทอพอโลยี) และอื่น ๆ ช้า R = 1 รูปแบบตัวอักษรและผลที่ได้จากทั้งสองวิ่งตัวอย่างดังต่อไปนี้

Results (Thai) 3:

กฎ ค้นหา รวมระยะทางยกกำลังสอง ( เช่นการแยกระหว่างกระผมและน้ำหนักสำหรับการเชื่อมต่อแต่ละกลุ่ม ( เช่น ออก ) มันก็จำกัด ปรับปรุง ของน้ำหนักที่จะ " ชนะ " ( เช่นเดียวกับระยะทางขั้นต่ำ ) และให้หน่วยใกล้เคียงถ้า r > 0 สังเกตว่า การเข้าถึงยังแนะนำแบบไดนามิกมากกว่าคงที่อัตราการเรียนรู้ที่ใช้กับการเรียนรู้อื่น ๆ วิธีการกระบวนการมีแนวโน้มที่จะตรงกับน้ำหนักกับปัจจัยในทางที่กลุ่มรูปแบบการป้อนข้อมูลที่คล้ายคลึงกัน สังเกตเห็นว่าแตกต่างจากธรรมดา ขั้นตอนวิธีนี้ไม่ได้ขึ้นอยู่กับค่าเป้าหมายที่กำหนด

b ตนเองจัดแผนที่ประยุกต์ลวดลาย
ตัวอย่างถ่ายจากข้อความโดย fausett [ 3 ] มีเจ็ดตัวอักษร ( A , B , C , D , E , J และ K ) ที่กำหนดโดย 9x7 เรย์รูปแบบและแต่ละ 3 ลักษณะแบบอักษร สุทธิของเราจึงมี 63 กระผมจึง 7x3 = 21 รูปแบบที่แตกต่างกันจะถูกแบ่งเป็นกลุ่ม จำนวนของกลุ่มที่เลือกโดยพลการและอาจจะน้อยกว่าหรือมากกว่าจำนวนของรูปแบบ ตัวอย่างนี้เป็น 25 กลุ่มที่ระบุ การโปรแกรมตามปกติ ถูกเขียนขึ้นเพื่อสร้างแผนที่การสำหรับความต้องการนี้สมมติว่าเส้น ( 1 มิติ ) อาร์เรย์ของหน่วยกลุ่ม ข้อมูล เมทริกซ์ของน้ำหนักทำให้เกิดความแตกต่างในการแบ่งกลุ่มเพื่อทำงานที่แตกต่างกัน แต่ผลลัพธ์บรรจบอย่างรวดเร็วสำหรับกรณีที่ r = 0 ( คือไม่มีรูปแบบโครงสร้าง ) และช้าสำหรับ R = 1 ตัวอักษรรูปแบบและผลลัพธ์ของทั้งสองตัวอย่างจะแสดงอยู่ด้านล่าง