Teknologian jakaminen

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

1. Johdatus LVQ-verkkokoulutukseen tulovektoreiden luokittelemiseksi

1. Esittely

LVQ (Nearest Neighbor Vector Quantization) on yksinkertainen mutta tehokas hermoverkkomalli tulovektoreiden luokitteluun. LVQ-verkko edustaa eri luokkia oppimalla joukon prototyyppivektoreita (kutsutaan myös koodivektoreiksi tai referenssivektoreiksi).

LVQ-verkon koulutusprosessin aikana verkko kulkee jokaisen opetusdatajoukon näytteen läpi ja päivittää prototyyppivektorin painon näytettä lähinnä olevan prototyyppivektorin etäisyyden perusteella. Kun verkko konvergoi, prototyyppivektorit jakautuvat syöttöavaruuteen muodostaen eri luokkien "klustereita".

Luokituksen aikana tulonäytettä verrataan kuhunkin prototyyppivektoriin ja tulostulokseksi valitaan sitä lähimpänä olevan prototyyppivektorin edustama luokka. Tällä tavalla LVQ-verkko voi tehokkaasti luokitella tulovektorit.

Yleisesti ottaen LVQ-verkkokoulutusprosessi on yksinkertainen ja helposti ymmärrettävä, ja se toimii hyvin erilaisten luokitusongelmien käsittelyssä.

2) Syöttövektorien luokitteluperiaate

LVQ (lähin naapurivektorikvantisointi) -verkon koulutusprosessi perustuu periaatteeseen säätää prototyyppivektoreita tulovektorien luokittelemiseksi. Seuraavalla tavalla LVQ-verkko on koulutettu luokittelemaan tulovektoreita:

1. Alusta prototyyppivektori: Ensin LVQ-verkon on alustettava joukko prototyyppivektoreita, jokainen prototyyppivektori edustaa luokkaa. Nämä prototyyppivektorit voidaan valita satunnaisesti tai saada käyttämällä jotakin klusterointialgoritmia.

2. Koulutusprosessi: LVQ-verkko iteroi jokaisen harjoitustietojoukon näytteen läpi. Jokaiselle näytteelle LVQ-verkko laskee näytteen ja kunkin prototyyppivektorin välisen etäisyyden, yleensä käyttämällä euklidisen etäisyyden tai muita etäisyyden mittausmenetelmiä.

3. Lähin naapuri valinta: Etsi prototyyppivektori, joka on lähinnä tulonäytettä, eli lähin naapuriprototyyppivektori. Tätä prosessia kutsutaan usein "kilpailuksi".

4. Päivitä prototyyppivektori : Lähimmän naapurin prototyyppivektorin kategorian ja syöttönäytteen todellisen luokan perusteella LVQ-verkko säätää lähimmän naapurin prototyyppivektorin painoa. Yleensä, jos lähimmän naapurin prototyyppivektorin edustama luokka on sama kuin syötenäytteen todellinen luokka, prototyyppivektorin painoa säädetään syöttönäytteen suuntaan, muuten prototyyppivektorin paino on säädetty sisääntulonäytteestä poispäin.

5. lähentyminen: Toista yllä olevia vaiheita, kunnes LVQ-verkon prototyyppivektori ei enää muutu merkittävästi, mikä osoittaa, että verkko on konvergoitunut. Tällä hetkellä prototyyppivektorit muodostavat eri luokkien klustereita ja syötevektorit voidaan luokitella.

Säätämällä jatkuvasti prototyyppivektorin painoa LVQ-verkko voi vähitellen oppia ja säätää kunkin luokan rajoja harjoitusprosessin aikana, mikä saavuttaa tarkan syöttövektoreiden luokituksen. LVQ verkkokoulutus perustuu lähimmän naapurin valintaan