Наиболее распространенное применение сетей Кохонена - решение задачи классификации без учителя, т.е.

Самоорганизующиеся карты Кохонена - мощный самообучающийся механизм кластеризации, позволяющий отобразить результаты в виде компактных . Смотрите другие видео этого курса, выполняйте упражнения и изучайте интеллектуальные системы и машинное обучение на нашем . Алгоритм функционирования самообучающихся карт (Self Organizing Maps – SOM) представляет собой один из вариантов кластеризации многомерных .

Использование самоорганизующихся карт Кохонена в трейдинге. Введение. Самоорганизующиеся карты Кохонена (Kohonen Self- Organizing Maps) представляют собой нейронные сети, обучаемые без учителя.

Таким образом, карта Кохонена может служить как средством кластеризации, так и средством визуального представления данных .

Они используются для классификации, организации и визуального представления больших объемов данных. Важной особенностью нейросетей Кохонена является их способность отображать многомерные пространства признаков на плоскость.

В Интернете доступно множество реализаций нейросетей Кохонена, мы рассмотрим код, представленный на сайте http: //www. Для визуализации данных в терминале Meta. Trader 5 мы воспользуемся библиотекой для создания изображений c. Int. BMP. В этой статье мы разберем несколько простых примеров практического использования карт Кохонена. Самоорганизующиеся карты Кохонена Самоорганизующиеся карты Кохонена (Kohonen Self- Organizing Feature Maps) были предложены Тейво Кохоненом в 1. Это нейросетевой метод, предполагающий обучение без внешнего вмешательства.

В нейросетевых методиках, предполагающих обучение с учителем, для нахождения образа или соотношения между данными требуется, чтобы один или более выходов были точно заданы вместе с одним или более входами нейросети. Карта Кохонена, напротив, отображает данные большей размерности на карте меньшей размерности, состоящей из решетки нейронов. Алгоритм обучения основывается на соревновательном обучении (competitive learning) без учителя. Он обеспечивает сохраняющее топологию отображение из пространства большой размерности в элементы карты. Элементы карты, или нейроны, образуют двумерную решетку.

Таким образом, это отображение является отображением пространства большей размерности на плоскость. Свойство сохранения топологии означает, что карта Кохонена распределяет сходные векторы входных данных по нейронам, т. Таким образом, карта Кохонена может служить как средством кластеризации, так и средством визуального представления данных большой размерности. Архитектура сети. Карта Кохонена представляет собой двумерную решетку узлов (node), каждый из которых полностью связан с входным слоем.

Кохонена из 1. 6 узлов (4x. Рис. Простейшая сеть Кохонена. У каждого узла сети есть характеристика его позиции в решетке (координаты x и y) а также вектор весов, заданный в базисе пространства входных данных. Алгоритм обучения нейросети.

В отличие от других типов нейросетей, самообучающейся карте Кохонена не требуется задавать выходной вектор. Обучение нейросети осуществляется путем изменения компонент вектора каждого из узлов сети в соответствии со значениями компонент входного вектора. В начале обучения компоненты вектора весов каждого из узлов задаются случайным образом. В процессе итераций значения весов стабилизируются, формируя зоны, близкие по значениям к каждому набору векторов из обучающего множества. Процесс обучения состоит из нескольких шагов: Инициализация вектора весов (для каждого из узлов сети) случайными значениями.

Из обучающего множества случайным образом выбирается вектор. Для каждого из узлов сети вычисляется расстояние между входным вектором и вектором весов узла. Находится узел, компоненты вектора весов которого наиболее близки. Этот узел называется Best Matching Unit (BMU).

Вычисляется текущий радиус окрестности узла BMU (сначала размер радиуса окрестности устанавливается равным радиусу решетки, затем со временем он уменьшается). Для всех узлов, находящихся внутри радиуса окрестности узла BMU, производится модификация компонент вектора весов узла в направлении вектора из обучающего множества.

Чем ближе узел находится к BMU, тем более значительным будет изменение компонент вектора весов узла. Далее снова повторяются шаги со 2- го (N итераций).

Подробности реализации можно найти на сайте http: //www. Примеры практического использования самоорганизующихся карт Кохонена. Красный (Red): (2. Зеленый (Green): (0,1.

Голубой (Blue): (0,0,2. Темно- зеленый (Dark Green): (0,1. Темно- синий (Dark Blue): (0,0,1. Желтый (Yellow): (2.

Оранжевый (Orange): (2. Фиолетовый (Purple): (1.

Для реализации карты Кохонена воспользуемся объектно- ориентированным подходом. Нам понадобятся два класса: класс узла CSOMNode и класс сети CSOM, который будет содержать узлы решетки в виде массива m. Код хорошо документирован, поэтому не будем останавливаться на описании методов. Класс CSOM: class CSOM. Результат работы советника SOM. Рис. Динамика процесса самоорганизации карты Кохонена. Как видно из рис.

Создав решетку из 3. Kohonen. Map. Init. Parameters(1. 00.

Результат работы карты из 3. В книге Г. Слегка модифицировав код (в основном метод SOM: :Render), можно реализовать и другую визуализацию. Результат работы советника SOM- ex. Рис. Результат работы карты из 3. В этой версии режим отображения и режим рисования границ между ячейками задается в входных параметрах.

Результат работы карты из 3. В примере 1 в качестве обучающего набора мы использовали 8 цветов, задавая все их RGB- компоненты явным образом.

Добавив в класс пару методов, можно расширить набор цветов обучающего. Обратите внимание на то, что полученные карты Кохонена выглядят просто из- за того, что в обучающем множестве присутствовали лишь несколько цветов, хорошо разделенных друг от друга в цветовом пространстве.

В результате мы получили локализованные кластеры. В случае наличия в обучающем множестве большого количества близких векторов возникает проблема. Набор Web- цветов в качестве обучающего множества.

В MQL5 есть возможность задавать цвета из набора Web- цветов: Рис. Таблица Web- цветов.

Интересно упорядочить этот набор, сгруппировав цвета с близкими оттенками. Для работы с цветами можно создать класс CSOMWeb, унаследовав его методы от класса CSOM. Карта Кохонена для Web- цветов.

Можно выделить некоторые кластеры, однако четкой локализации достичь не удается. Причина данного обстоятельства заключается в наличии большого количества .

Кластеризация продуктов. Следующая задача представляет собой пример кластеризации продуктов (разбиение на группы по похожим признакам) на базе информации о процентном содержании в них углеводов (Carbohydrate), белков (Protein) и жиров (Fat).

Продукт Белки Углеводы Жиры   1 Яблоки (Apples)0. Авокадо (Avocado)1. Бананы (Bananas)1.

Говяжий стейк (Beef Steak)2. Биг Мак (Big Mac)1. Бразильские орехи (Brazil Nuts)1. Хлеб (Bread)1. 0. Масло (Butter)1. 08. Сыр (Cheese)2. 50. Ватрушка (Cheesecake)6.

Печенье (Cookies)5. Кукурузные хлопья (Cornflakes)7. Яйца (Eggs)1. 2. 5.

Жареный цыпленок (Fried Chicken)1. Жаркое (Fries)3. 36. Горячий шоколад (Hot Chocolate)3. Пепперони (Pepperoni)2. Пицца (Pizza)1. 2. Пирог со свининой (Pork Pie)1.

Картофель (Potatoes)1. Рис (Rice)6. 9. 74. Жаркое из курицы (Roast Chicken)2. Сахар (Sugar)0. 95. Стейк из тунца (Tuna Steak)2. Вода (Water)0. 00. Таблица 1. Содержание белков, углеводов и жиров в продуктах (в 1.

В этой задаче мы столкнулись с тем, что входные вектора множества имеют различные значения, каждая из компонент имеет свой диапазон. Это важно при визуализации, поскольку вывод результата производится в пространство RGB- компонент, каждая из которых может принимать значения от 0 до 2. К счастью, входные вектора здесь также трехмерные, поэтому мы также можем использовать RGB- пространство для отображения.

CSOMFood : public CSOM. Игру Cfy Fylhtc. Для реализации . Карта продуктов, построенная на базе информации о содержании в них белков, углеводов и жиров. Анализ компонент. Из карты видно, что сахар (Sugar),  рис (Rice) и кукурузные хлопья (Cornflakes) содержат наибольшее количество углеводов и выделяются в группу, окрашенную светло- зеленым цветом (вторая компонента).