Podręcznik

1.5. Porównanie algorytmów samoorganizacji

Porównania przedstawionych wcześniej algorytmów dokonano na przykładzie odwzorowania danych uczących dwuwymiarowych tworzących złożony kształt, przedstawiony na rys. 7.12.

Do odwzorowania użyto 200 neuronów. Dobre odwzorowanie danych przez sieć neuronową wymaga, aby neurony plasowały się w rejonach o dużym zagęszczeniu danych, a nie tam, gdzie jest ich brak. Na rys. 7.13 podano uzyskany wynik samoorganizacji 200 neuronów przy zastosowaniu trzech omówionych w tym rozdziale algorytmów: CWTA (rys. 7.13a), gazu neuronowego (rys. 7.13b) oraz algorytmu Kohonena (rys. 7.13c).

Najlepsze wyniki organizacji otrzymuje się za pomocą algorytmu CWTA oraz gazu neuronowego, przy czym ten ostatni ze względu na sortowanie jest zdecydowanie wolniejszy od CWTA. Oryginalny algorytm Kohonena okazał się najmniej efektywny, nie pozwalając na dobre odwzorowanie danych (pewna liczba neuronów jest uplasowana w obszarze pozbawionym danych).

Dobre porównanie ilościowe wyników samoorganizacji otrzymuje się, zestawiając uzyskane błędy kwantyzacji ε (wzór (7.9)) dla każdego przypadku. Przy 200 neuronach uzyskano: ε= 0,007139 - dla CWTA, ε = 0,007050 - dla gazu neuronowego oraz ε= 0,010763 - dla algorytmu Kohonena. Wyniki liczbowe potwierdzają wzrokową ocenę odwzorowania danych, że algorytmy CWTA i gazu neuronowego dają podobne (najlepsze) wyniki, a algorytm Kohonena jest najmniej efektywny.

Na rys. 7.14 przedstawiono wynik odwzorowania danych o rozkładzie nierównomiernym przy zagęszczeniu danych w środku obszaru. Uzyskany rozkład neuronów bardzo dobrze odzwierciedla rozkład punktów danych, tworząc gęstsze skupiska w rejonach środkowych, gdzie jest największe zagęszczenie danych.