АДАПТИВНАЯ НЕЙРО-ФАЗЗИ СЕТЬ КОХОНЕНАВ статье предложен рекуррентный алгоритм обучения составной кластеризирующей нейро-фаззи сети Кохонена, являющейся обобщением WTA и WTM принципов обучения и алогоритмов Кашьяпа -Блейдона и Цыпкина, а также объединяющий в себе возможностный и вероятностный подходы к кластеризации.Ключевые слова: алгоритм самообучения, кластеризация, нейро-фаззи сеть, самоорга-низующаяся карта Кохонена.
ВВЕДЕНИЕЗадача кластеризации (классификации без учите-ля) достаточно часто встречается во многих прило-жениях, связанных с интеллектуальным анализом данных. Традиционный подход к решению этих за-дач предполагает, что каждое наблюдение может от-носиться только к одному кластеру, хотя более есте-ственной представляется ситуация, когда обрабаты-ваемый вектор признаков с разными уровнями принадлежности (вероятности, возможности) может принадлежать сразу нескольким классам. Данная си-туация является предметом рассмотрения нечеткого (фаззи) кластерного анализа, интенсивно развива-ющегося в двух направлениях: вероятностном [1-5] и возможностностном [6,7] подходах. Большинство алгоритмов нечеткой кластеризации предназначено для работы в пакетном режиме, когда весь массив данных, подлежащих обработке, задан априорно. В то же время существует широкий класс задач, когда данные поступают на обработку последовательно, в on-line режиме. Алгоритмов, предназначенных для решения этих задач, известно сравнительно немного [8-10], при этом они реализуют вероятностный под-ход на основе рекуррентной оптимизации принятой нечеткой целевой функции [1].Для последовательной обработки данных при ре-шении задачи кластеризации наилучшим образом приспособлены искусственные нейронные сети Кохо-нена [11], имеющие однослойную архитектуру с ла-теральными связями и обучаемые на основе принци-пов «победитель получает все» (WTA) или «победи-тель получает больше» (WTM). Данные сети про-демонстрировали свою эффективность при решении многих задач с непересекающимися кластерами. Не-обходимость решения задач кластеризации в после-довательном режиме обработки в условиях пересека-ющихся классов привела к появлению самообуча-ющихся гибридных нейро-фаззи систем, являющихся обобщением нейронной сети Кохонена и облада-ющих, благодаря использованию специальных алго-ритмов настройки своих семантических весов, более широкими функциональными возможностями. Так, в [12, 13] была введена модификация сети Кохонена, основанная на нечетких правилах. Данная сеть пока-зала свою эффективность в ряде задач, связанных с распознаванием образов, однако численная громозд-кость затрудняет ее использование в on-line режиме. В [14] была предложена сеть Кохонена с нечетким выводом, обучаемая на основе комбинации правил Кохонена и Гроссберга. Основным недостатком этой конструкции является зависимость получаемых ре-зультатов от выбора свободных параметров процеду-ры обучения. В [15] была предложена, а в [16] разви-та, так называемая нечеткая кластеризующая сеть Кохонена (FKCN), основанная на алгоритме нечет-ких с-средних (FCM) Бездека [1], который может быть записан и...