Zoo (hierarchische SOMs)
SOMs legen mithilfe von Hebbschem Lernen und die Berücksichtigung
einer Nachbarschaft ein Gitter über eine Datenmenge,
so daß die Daten strukturiert und z.B. einfacher zu
interpretieren oder darzustellen sind.
Wenn eine SOM als Kartographierung eines Raumes benutzt wird,
wäre es häufig wünschenswert, wenn das Gitter in
verschieden feinen Auflösungen vorläge:
Dieses ermöglicht durch sukzessives Vergleichen mit immer
feineren Gittern ein schnelleres Auffinden der Information,
mithilfe verschieden grober Sichtweisen sind die Daten eher
überschaubar.
Man möchte also mehrere SOMs trainieren, die untereinander
derart verbunden sind, daß die Neuronen einer Schicht zu
allen entsprechenden Neuronen im feineren Gitter verbunden sind.
Training:
- Man kann die verschieden feinen Gitter klassisch
gleichzeitig trainieren und die Verbindungen zwischen den
unterschiedlichen Gittern später einziehen.
Im Allgemeinen werden bei diesem Vogehen die Topolgien
der einzelnen Gitter allerdings wesentlich
unterschiedlich aussehen.
- Man trainiert die einzelnen Gitter klassisch, startet
aber mit dem Training der feineren Gitter zeitversetzt und
initialisiert die Knoten durch die Werte des groben Gitters.
- Dasselbe Vorgehen ist auch streng sequentiell denkbar,
d.h. das grobe Netz wird nicht mehr weiter trainiert, wenn
das feinere initialisiert ist.
Für konkrete Formeln können Sie nachfragen!
Mögliche Daten:
- Klassifikation von Tieren,
diese können a priori in mehrere
Gruppen eingeteilt
werden, d.h. das Ergenbnis ist interpretierbar.
- Kartierung von Positionen eines
Roboters,
Informationen
sind vorhanden, dabei bestehen obige Daten nur aus den
unter measurement(...) speizifizierten Daten. Es sind sehr viele,
evtl. nur einen Teil nehmen!
- Anwendungen im Bereich der Dokumentenklassifikation
bieten sich natürlich an, sprengen aber vom
Umfang eher den Rahmen eines Praktikums.
Literatur:
back