Saveorganizuojančio neuroninio tinklo parametrų įtakos gaunamiems rezultatams tyrimas

Abstract

Magistro diplominiame darbe pateikta išsami savereguliuojančio neuroninio tinklo (SOM) apžvalga, kurioje aprašyti inicijavimas, mokymas bei pateikti mokymo parametrų pavyzdžiai, sukurtas tinklo mokymo kokybės įvertinimo kriterijus – bendroji paklaida. Tyrimui atlikti sukurta programinė įranga, kurioje realizuotas SOM tinklas. Ji suteikia galimybę pasirinkti įvairius SOM parametrus (SOM dydį, kaimynystės funkciją, duomenų failą, mokymo parametro keitimo taisyklę, epochų skaičių, pradinį kaimynystės spindulį), juos keisti ir atlikti tyrimus vienodomis sąlygomis, taip pat įvertinti SOM tinklo mokymo kokybę. Darbe atlikta SOM tinklo išsami analizė bei pasirinktų duomenų tyrimas. Atliekant SOM analizę nustatyta, kad tiksliausi rezultatai gaunami naudojant „Kitą“ kaimynystės funkciją. Vertinant mokymo parametro keitimo taisykles, nustatyta, kad optimali mokymo parametro keitimo taisyklė yra linijinė, o naudojant eksponentinę mokymo parametro keitimo taisyklę, nustatyta eksponentės koeficiento reikšmė, duodanti tiksliausius rezultatus. Tiriant konkrečius duomenis nustatyta labiausiai jiems „tinkanti“ kaimynystės funkcija, mokymo parametro keitimo taisyklė bei optimalus SOM dydis ir epochų skaičius.

The aim of the Thesis is to present thorough analysis of Self-organizing maps (SOM). It also aims at both providing the detailed description of their initialization, SOM training, learning examples and creating the general evaluation criterion for SOM training . To conduct this research special software for SOM implementing was created. It enabled the choice of various SOM parameters (SOM dimension, neighbourhood function, the alteration of learning rate parameter, epochs number, initial neighbourhood radius), their alteration and research conduct under equal conditions. It also enabled the evaluation of SOM training quality. The Thesis provides thorough SOM analysis and selected data research. It was discovered that the most precise results are obtained while using “Kita” neighbourhood function. While evaluating the alteration rules of learning rate it was discovered that the optimal alteration rule of learning rate is linear one. Whereas, the use of exponential alteration rule of learning rate leads to establishment of exponential function coefficient importance which provides the most accurate results. The particular data research enabled the establishment of the most suitable neighbourhood function, the alteration rule of learning rate and optimal SOM dimension and epochs number.