Моделирование сети кластеризации данных в MATLAB NEURAL NETWORK TOOL
Во втором случае сеть Кохонена распознает кластеры в обучающих данных и относит все данные к тем или иным кластерам. Если после этого сеть встретится с набором данных, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну.
кластеризация нейронный сеть кохонен
3. МОДЕЛИРОВАНИЕ СЕТИ КЛАСТЕРИЗАЦИИ ДАННЫХ В MATLAB NEURAL NETWORK TOOLBOX
Программное обеспечение, позволяющее работать с картами Кохонена, сейчас представлено множеством инструментов. Это могут быть как инструменты, включающие только реализацию метода самоорганизующихся карт, так и нейропакеты с целым набором структур нейронных сетей, среди которых - и карты Кохонена; также данный метод реализован в некоторых универсальных инструментах анализа данных.
К инструментарию, включающему реализацию метода карт Кохонена, относятся MATLAB Neural Network Toolbox, SoMine, Statistica, NeuroShell, NeuroScalp, Deductor и множество других.
3.1 Самоорганизующиеся нейронные сети в MATLAB NNT
Для создания самоорганизующихся нейронных сетей, являющихся слоем или картой Кохонена, предназначены М-функции newc и newsom cooтветственно.
По команде help selforg можно получить следующую информацию об М-функциях, входящих в состав ППП Neural Network Toolbox и относящихся к построению сетей Кохонена (таблица 3.1):
Таблица 3.1
М-функции, входящие в состав ППП Neural Network Toolbox
| Self-organizing networks | Самоорганизующиеся сети |
| New networks | Формирование сети |
|
newc newsom |
Создание слоя Кохонена Создание карты Кохонена |
| Using networks | Работа с сетью |
|
sim init adapt train |
Моделирование Инициализация Адаптация Обучение |
| Weight functions | Функции расстояния и взвешивания |
| negdist | Отрицательное евклидово расстояние |
| Net input functons | Функции накопления |
| netsum | Сумма взвешенных входов |
| Transfer functions | Функции активации |
| compet | Конкурирующая функция активации |
|
Topology functions |
Функции описания топологии сети |
|
gridtop hextop randtop |
Прямоугольная сетка Гексагональная сетка Сетка со случайно распределенными узлами |
| Distance functions | Функции расстояния |
|
dist boxdist mandist linkdist |
Евклидово расстояние Расстояние максимального координатного смещения Расстояние суммарного координатного смешения Расстояние связи |
| Initialization functions | Функции инициализации сети |
|
initlay initwb initcon midpoint |
Послойная инициализация Инициализация весов и смещений Инициализация смещений с учетом чувствительности нейронов Инициализация весов по правилу средней точки |
| Learning functions | функции настройки параметров |
|
learnk learncon learnsom |
Правило настройки весов для слоя Кохонена Правило настройки смещений для слоя Кохонена Правило настройки весов карты Кохонена |
| Adapt functions | Функции адаптации |
| adaptwb | Адаптация весов и смещений |
| Training functions | Функции обучения |
| trainwb1 | Повекторное обучение весов и смещений |
| Demonstrations | Демонстрационные примеры |
|
democ1 demosm1 demosm2 |
Настройка слоя Кохонена Одномерная карта Кохонена Двумерная карта Кохонена |
3.1.1 Архитектура сети
Промоделированная архитектура слоя Кохонена в MATLAB NNT показана на рисунке 3.1.

Рисунок 3.1 – Архитектура слоя Кохонена
Нетрудно убедиться,
что это слой
конкурирующего
типа, поскольку
в нем применена
конкурирующая
функция активации.
Кроме того,
архитектура
этого слоя
очень напоминает
архитектуру
скрытого слоя
радиальной
базисной сети.
Здесь использован
блок ndist для вычисления
отрицательного
евклидова
расстояния
между вектором
входа
и строками
матрицы весов
.
Вход функции
активации
- это результат
суммирования
вычисленного
расстояния
с вектором
смещения
.
Если все смещения
нулевые, максимальное
значение
не может превышать
0. Нулевое значение
возможно только,
когда вектор
входа
оказывается
равным вектору
веса одного
из нейронов.
Если смещения
отличны от 0,
то возможны
и положительные
значения для
элементов
вектора
.
Конкурирующая
функция активации
анализирует
значения элементов
вектора
и формирует
выходы нейронов,
равные 0 для
всех нейронов,
кроме одного
нейрона-победителя,
имеющего на
входе максимальное
значение. Таким
образом, вектор
выхода слоя
имеет единственный
элемент, равный
1, который соответствует
нейрону-победителю,
а остальные
равны 0. Такая
активационная
характеристика
может быть
описана следующим
образом;
(3.1)
Заметим, что
эта активационная
характеристика
устанавливается
не на отдельный
нейрон, а на
слой. Поэтому
такая активационная
характеристика
и получила
название
конкурирующей.
Номер активного
нейрона
определяет
ту группу (кластер),
к которой наиболее
близок входной
вектор.
3.1.2 Создание сети
Для формирования слоя Кохонена предназначена М-функция newc. Покажем, как она работает, на простом примере. Предположим, что задан массив из четырех двухэлементных векторов, которые надо разделить на 2 класса:
р = [.1 .8 .1 .9; .2 .9 .1 .8]
р =
0.1000 0.8000 0.1000 0.9000
0.2000 0.9000 0.1000 0.8000.
В этом примере нетрудно видеть, что 2 вектора расположены вблизи точки (0,0) и 2 вектора - вблизи точки (1,1). Сформируем слой Кохонена с двумя нейронами для анализа двухэлементных векторов входа с диапазоном значений от 0 до 1:
net = newc([0 1; 0 1],2).
Первый аргумент указывает диапазон входных значений, второй определяет количество нейронов в слое. Начальные значения элементов матрицы весов задаются как среднее максимального и минимального значений, т. е. в центре интервала входных значений; это реализуется по умолчанию с помощью М-функции midpoint при создании сети. Убедимся, что это действительно так:
wts = net.IW{l,l}
wts =
0.5000 0.5000
0.5000 0.5000.
Определим характеристики слоя Кохонена:
net.layers{1}
ans =
dimensions: 2
distanсeFcn: 'dist'
distances:[2x2 double]
initFcn:' initwb '
netinputFcn:'netsum'
positions:[0 1]
size:2
topologyFcn:'hextop'
transferFcn:'compet'
userdata:[1x1 struct].
Из этого описания следует, что сеть использует функцию евклидова расстояния dist, функцию инициализации initwb, функцию обработки входов netsum, функцию активации compet и функцию описания топологии hextop.
Характеристики смещений следующие:
net.biases{1}
ans =
initFcn:'initcon'
learn:1
learnFcn:'learncon'
learnParam:[1x1 struct]
size:2
userdata:[1x1 struct].
Смещения задаются функцией initcon и для инициализированной сети равны
net.b{l}
ans =
5.4366
5.4366.
Функцией настройки смещений является функция lеаrcon, обеспечивающая настройку с учетом параметра активности нейронов.
Элементы структурной схемы слоя Кохонена показаны на рисунке 3.2, а-б и могут быть получены с помощью оператора:
gensim(net)
Они наглядно поясняют архитектуру и функции, используемые при построении слоя Кохонена.
Теперь, когда
сформирована
самоорганизующаяся
нейронная сеть,
требуется
обучить сеть
решению задачи
кластеризации
данных. Напомним,
что каждый
нейрон блока
compet конкурирует
за право ответить
на вектор входа
.
Если все смещения
равны 0, то нейрон
с вектором
веса, самым
близким к вектору
входа
,
выигрывает
конкуренцию
и возвращает
на выходе значение
1; все другие
нейроны возвращают
значение 0.

а б
Рисунок 3.2 – Элементы структурной схемы слоя Кохонена
3.1.3 Правило обучения слоя Кохонена
Правило обучения
слоя Кохонена,
называемое
также правилом
Кохонена, заключается
в том, чтобы
настроить
нужным образом
элементы матрицы
весов. Предположим,
что нейрон
победил при
подаче входа
на шаге самообучения
,
тогда строка
матрицы весов
корректируется
в соответствии
с правилом
Кохонена следующим
образом:
.
(3.2)
Правило Кохонена
представляет
собой рекуррентное
соотношение,
которое обеспечивает
коррекцию
строки
матрицы весов
добавлением
взвешенной
разности вектора
входа и значения
строки на предыдущем
шаге. Таким
образом, вектор
веса, наиболее
близкий к вектору
входа, модифицируется
так, чтобы расстояние
между ними
стало еще меньше.
Результат
такого обучения
будет заключаться
в том, что победивший
нейрон, вероятно,
выиграет конкуренцию
и в том случае,
когда будет
представлен
новый входной
вектор, близкий
к предыдущему,
и его победа
менее вероятна,
когда будет
представлен
вектор, существенно
отличающийся
от предыдущего.
Когда на вход
сети поступает
все большее
и большее число
векторов, нейрон,
являющийся
ближайшим,
снова корректирует
свой весовой
вектор. В конечном
счете, если в
слое имеется
достаточное
количество
нейронов, то
каждая группа
близких векторов
окажется связанной
с одним из нейронов
слоем. В этом
и заключается
свойство
самоорганизации
слоя Кохонена.
Настройка параметров сети по правилу Кохонена реализована в виде М-функции learnk.
3.1.4 Правило настройки смещений
Одно из ограничений всякого конкурирующего слоя состоит в том, что некоторые нейроны оказываются незадействованными. Это проявляется в том, что нейроны, имеющие начальные весовые векторы, значительно удаленные от векторов входа, никогда не выигрывают конкуренции, независимо от того как долго продолжается обучение. В результате оказывается, что такие векторы не используются при обучении и соответствующие нейроны никогда не оказываются победителями. Такие нейроны-неудачники называются "мертвыми" нейронами, поскольку они не выполняют никакой полезной функции. Чтобы исключить такую ситуацию и сделать нейроны чувствительными к поступающим на вход векторам, используются смещения, которые позволяют нейрону стать конкурентным с нейронами-победителями. Этому способствует положительное смещение, которое добавляется к отрицательному расстоянию удаленного нейрона.
Соответствующее правило настройки, учитывающее нечувствительность мертвых нейронов, реализовано в виде М-функции learncon и заключается в следующем - в начале процедуры настройки всем нейронам конкурирующего слоя присваивается одинаковый параметр активности:
,
(3.3)
где
-
количество
нейронов
конкурирующего
слоя, равное
числу кластеров.
В процессе
настройки
М-функция learncon
корректирует
этот параметр
таким образом,
чтобы его значения
для активных
нейронов становились
больше, а для
неактивных
нейронов меньше.
Соответствующая
формула для
вектора приращений
параметров
активности
выглядит следующим
образом:
,
(3.4)
где
-
параметр скорости
настройки;
-вектор,
элемент
которого равен
1, а остальные
- 0.
Нетрудно убедиться, что для всех нейронов, кроме нейрона-победителя, приращения отрицательны. Поскольку параметры активности связаны со смещениями соотношением (в обозначениях системы MATLAB):
,
(3.5)
то из этого следует, что смещение для нейрона-победителя уменьшится, а смещения для остальных нейронов немного увеличатся.
М-функция learnсon использует следующую формулу для расчета приращений вектора смещений:
.
(3.6)
Параметр скорости
настройки
по умолчанию
равен 0.001, и его
величина обычно
на порядок
меньше соответствующего
значения для
М-функции learnk.
Увеличение
смещений для
неактивных
нейронов позволяет
расширить
диапазон покрытия
входных значений,
и неактивный
нейрон начинает
формировать
кластер. В конечном
счете он может
начать притягивать
новые входные
векторы - это
дает два преимущества.
Первое преимущество,
если нейрон
не выигрывает
конкуренции,
потому что его
вектор весов
существенно
отличается
от векторов,
поступающих
на вход сети,
то его смещение
по мере обучения
становится
достаточно
большим и он
становится
конкурентоспособным.
Когда это происходит,
его вектор
весов начинает
приближаться
к некоторой
группе векторов
входа. Как только
нейрон начинает
побеждать, его
смещение начинает
уменьшаться.
Таким образом,
задача активизации
"мертвых"
нейронов оказывается
решенной. Второе
преимущество,
связанное с
настройкой
смещений, состоит
в том, что они
позволяют
выровнять
значения параметра
активности
и обеспечить
притяжение
приблизительно
одинакового
количества
векторов входа.
Таким образом,
если один из
кластеров
притягивает
большее число
векторов входа,
чем другой, то
более заполненная
область притянет
дополнительное
количество
нейронов и
будет поделена
на меньшие по
размерам кластеры.
3.1.5 Обучение сети
Реализуем 10 циклов обучения. Для этого можно использовать функции train или adapt:
net.trainParam.epochs = 10
net = train(net,p)
net.adaptParam.passes = 10
[net,y,e] = adapt(net,mat2cell(p)).
Заметим, что для сетей с конкурирующим слоем по умолчанию используется обучающая функция trainwbl, которая на каждом цикле обучения случайно выбирает входной вектор и предъявляет его сети; после этого производится коррекция весов и смещений.
Выполним моделирование сети после обучения:
а = sim(net,p)
ас = vec2ind(a)
ас = 2 1 2 1.
Видим, что сеть обучена классификации векторов входа на 2 кластера: первый расположен в окрестности вектора (0,0), второй - в окрестности вектора (1,1). Результирующие веса и смещения равны:
wtsl = net.IW{l,l}
b1 = net.b{l}
wts1 =
0.58383 0.58307
0.41712 0.42789
b1=
5.4152
5.4581.
Заметим, что первая строка весовой матрицы действительно близка к вектору (1,1), в то время как вторая строка близка к началу координат. Таким образом, сформированная сеть обучена классификации входов. В процессе обучения каждый нейрон в слое, весовой вектор которого близок к группе векторов входа, становится определяющим для этой группы векторов. В конечном счете, если имеется достаточное число нейронов, каждая группа векторов входа будет иметь нейрон, который выводит 1, когда представлен вектор этой группы, и 0 в противном случае, или, иными словами, формируется кластер. Таким образом, слой Кохонена действительно решает задачу кластеризации векторов входа.
3.1.6 Моделирование кластеризации данных
Функционирование слоя Кохонена можно пояснить более наглядно, используя графику системы MATLAB. Рассмотрим 48 случайных векторов на плоскости, формирующих 8 кластеров, группирующихся около своих центров. На графике, приведенном на рисунке 3.3, показано 48 двухэлементных векторов входа.
Сформируем координаты случайных точек и построим план их расположения на плоскости:
с = 8
n = 6 % Число кластеров, векторов в кластере
d = 0.5 % Среднеквадратичное отклонение от центра кластера
х = [-10 10;-5 5] % Диапазон входных значений
[r,q] = size(x); minv = min(x1)1; maxv = mах(х1)1
v = rand(r, e).С{maxv - minv) *ones(l,c) + xninv*ones (l,c) )t = c*n % Число точек
v= [v v v v v]; v=v+randn{r,t)*d % Координаты точек
Р = v
plot(P(l,:), P(2,:),'+k') % (рисунок 3.3)
title('Векторы входа'), xlabel('Р(1,:)'), ylabel('P(2,:)').
Векторы входа, показанные на рисунке 3.3, относятся к различным классам.

Рисунок 3.3 – Двухэлементные векторы входа
Применим конкурирующую сеть из восьми нейронов для того, чтобы распределить их по классам:
net = newc([-2 12;-1 6], 8 ,0.1)
w0 =net.IW{l}
b0 = net.b{l}
c0 = exp(l)./b0.
Начальные значения весов, смещений и параметров активности нейронов представлены ниже:
w0 =b0 =с0 =
0.50.2521.7460.125
0.50.2521,7460.125
0.50.2521.7460.125
0-50.2521.7460.125
0.50.2521.7460.125
0.50.2521.7460.125
0.50.2521.7460.125
0.50.2521.7460.125.
После обучения в течение 500 циклов получим:
net.trainParam.epochs = 500
net = train(net,P)
w = net.IW{l} bn = net.b{l}
cn = exp(1)./bn
wn=bn=cn=
6.2184 2.423922.1370,123
1.3277 0.9470121.7180.125
0.31139 0.4093521.1920.128
3.543 4.584521.4720.127
3.4617 2.8S9621.9570.124
4 3171 1.427821.1850.128
6.7065 0.4369623.0060.118
0.97S17 0.1724221.420.127.
Как следует из приведенных таблиц, центры кластеризации распределились по восьми областям, показанным на рисунке 3.4, а; смещения отклонились в обе стороны от исходного значения 21.746 также, как и параметры активности нейронов, показанные на рисунке 3.4, б.

Рисунок 3.4 – Полученные центры кластеризации
Рассмотренная самонастраивающаяся сеть Кохонена является типичным примером сети, которая реализует процедуру обучения без учителя.
3.2 Карта Кохонена в MATLAB NNT
Самоорганизующаяся сеть в виде карты Кохонена предназначена для решения задач кластеризации входных векторов. В отличие от слоя Коконена карта Кохонена поддерживает такое топологическое свойство, когда близким кластерам входных векторов соответствуют близко расположенные нейроны.
Первоначальная топология размещения нейронов в слое Кохонена задается М-функциями gridtop, hextop или randtop, что соответствует размещению нейронов в узлах либо прямоугольной, либо гексагональной сетки, либо в узлах сетки со случайной топологией. Расстояния между нейронами вычисляются с помощью специальных функций вычисления расстояний dist, boxdist, linkdist и mandist.
Карта Кохонена для определения нейрона-победителя использует ту же процедуру, какая применяется и в слое Кохонена. Однако на карте Кохонена одновременно изменяются весовые коэффициенты соседних нейронов в соответствии со следующим соотношением:
.
(3.7)
В этом случае
окрестность
нейрона-победителя
включает все
нейроны, которые
находятся в
пределах некоторого
радиуса
:
.
(3.8)
Чтобы пояснить понятие окрестности нейрона, обратимся к рисунку 3.5.

Рисунок 3.5 – Окрестности нейрона
Левая часть рисунка соответствует окрестности радиуса 1 для нейрона-победителя с номером 13; правая часть - окрестности радиуса 2 для того же нейрона. Описания этих окрестностей выглядят следующим образом:

Заметим, что топология карты расположения нейронов не обязательно должна быть двумерной. Это могут быть и одномерные и трехмерные карты, и даже карты больших размерностей. В случае одномерной карты Кохонена, когда нейроны расположены вдоль линии, каждый нейрон будет иметь только двух соседей в пределах радиуса 1 или единственного соседа, если нейрон расположен на конце линии. Расстояния между нейронами можно определять различными способами, используя прямоугольные или гексагональные сетки, однако это никак не влияет на характеристики сети, связанные с классификацией входных векторов.
3.2.1 Топология карты
Как уже отмечалось выше, можно задать различные топологии для карты расположения нейронов, используя М-функции gridtop, hextop, randtop.
Рассмотрим простейшую прямоугольную сетку размера 2x3 для размещения шести нейронов, которая может быть сформирована с помощью функции gridtop:
pos = gridtop(2,3)
pos =
0 1 0 1 0 1
0 0 1 1 2 2
plotsom(pos) % (рисунок 3.6).
Соответствующая сетка показана на рисунке 3.6. Метки position(1, i) и position(2,i) вдоль координатных осей генерируются функцией plotsom и задают позиции расположения нейронов по первой, второй и т. д. размерностям карты.

Рисунок 3.6 – Прямоугольная сетка
Здесь нейрон 1 расположен в точке с координатами (0,0), нейрон 2 - в точке (1,0), нейрон 3 - в точке (0,1) и т. д. Заметим, что, если применить команду gridtop, переставив аргументы местами, получим иное размещение нейронов;
pos=gridtop(3,2)pos =
0 1 2 0 1 2
0 0 0 1 1 1.
Гексагональную сетку можно сформировать с помощью функции hextop:
pos = hextop(2,3)
pos =
0 1.0000 0.5000 1.5000 0 1.0000
0 0 0.8660 0.8660 1.7321 1.7321.
plotsom (pos) % (рисунок 3.7).

Рисунок 3.7 – Гексагональная сетка
Заметим, что М-функция hextop используется по умолчанию при создании карт Кохонена при применении функции newsom.
Сетка со случайным расположением узлов может быть создана с помощью функции randtop:
pos = randtop(2,3)
pos =
0.061787 0.64701 0.40855 0.94383 0 0.65113
0 0.12233 0.90438 0.54745 1.4015 1.5682
plotsom(pos) % (рисунок 3.8).

Рисунок 3.8 – Сетка со случайным расположением узлов
3.2.2 Функции для расчета расстояний
В ППП NNT используется 4 функции для расчета расстояний между узлами сетки.
Функция dist вычисляет евклидово расстояние между нейронами, размещенными в узлах сетки, в соответствии с формулой:
,
(3.9)
где
,
- векторы положения
нейронов с
номерами i и j.
Обратимся к прямоугольной сетке из шести нейронов (рисунок 3.6) и вычислим соответствующий массив расстояний:
pos = gridtop(2,3)
d = disе(pos)
d =
0 1 1 1.4142 2 2.2361
1 0 1.4142 1 2.2361 2
1