Jednovrstvé neuronové sítě
Autoasociativní učení
Síť nastavuje váhy na svých neuronech dle trénovacích dat tak, aby při rozdílných vstupech excitovala různé neurony. Hledá tedy třídy či shluky.
Typy sítí
Maxnet
plně propojená síť, negativní váhy
po ustálení je jediná nenulová hodnota na neuronu, který měl původně nejvyšší hodnotu (odtud Maxnet)
odezva: vítězný neuron
Hopfield
plně propojená síť
autoasociativní učení
spoje mezi dvěma neurony mají totožnou váhu
v každém kroku se upravují váhy na hranách jako <m>{1/P} sum{p=1}{P}{i_{p i}i_{pj}}</m>
práh každého neuronu se upravuje tak, aby byl polovinou součtu všech vah na tomto neuronu
použití
odezva: ustálí se v naučeném stavu, nebo v nesmyslném, pokud je vstup výrazně odlišný od všech trénovacích vzorků
Jednoduchá soutěživá síť
obsahuje jedinou Kohonenovu vrstvu
neurony spolu soutěží při každém vstupním vzorku
vítězný neuron určuje, do jakého shluku vzorek patří
s postupem času se snižuje efekt učení
učení
použití
odezva: excituje se jediný neuron, který určuje shluk či třídu
Kohonenovy mapy (SOM, Self Organizing Maps)
soutěživá síť, kde jsou upravovány i váhy topologických sousedů vítězného neuronu (v závislosti na vzdálenosti od vítěze)
nemusí být pouze lineární, neurony mohou být umístěny v mřížce, v prostoru, v různých útvarech, …
použití stejné jako soutěživá síť
odezva: stejná jako u soutěživé sítě