Hibrid SOM (MLP ile)

Question

Birisi kendiniz organize eden haritayı çok katmanlı bir algılayıcı ile nasıl birleştirebileceğimiz konusunda biraz bilgi verebilir misiniz?

Geçtiğimiz günlerde bu teknikle ilgili bazı makaleleri normal MLP'lere kıyasla okudum ve tahmin görevlerinde daha iyi performans gösterdi. Bu yüzden, SOM'u girdi verilerini kümelemek ve sonuçları bir MLP arka planına geçirerek boyut küçültmek için ön uç olarak kullanmak istiyorum. Şu anki uygulama fikrimi, SOM'u birkaç eğitim seti ile eğitmek ve kümeleri belirlemek. Daha sonra MLP'yi SOM kümeleri kadar çok giriş birimi ile başlatıyorum. Bir sonraki adım, SOM'un çıkışını (hangi değer? BM ...? Ağırlıkları?) Ağ için girdi olarak (SOM'un Küme Eşleştirme Giriş Birimi için Çıktısı ve diğer Giriş Birimleri için sıfırlar) kullanarak MLP'yi eğitmek olacaktır.

Answer 1

Bunu yapmanın tek bir yolu yoktur. Bazı olasılıkları listeleyim:

• Tanımladığınız numara. Ancak, MLP’nizin K * D girişlerine sahip olması gerekir; buradaki K, kümelerin sayısıdır ve D, giriş boyutudur. Boyut küçültme yoktur.
• Fikrinize benzer, ancak ağırlıkları kullanmak yerine, sadece BMU için 1 ve kalan kümeler için 0 gönderin. Sonra MLP'niz K girişlerine ihtiyaç duyacaktır.
• Yukarıdakiyle aynı, ancak 1 veya 0 yerine, giriş vektöründen her bir kümeye olan uzaklığı gönderin.
• Yukarıdakiyle aynı ancak mesafe yerine, her bir küme için bir Gauss aktivasyonu hesaplayın.
• SOM topolojiyi koruduğundan, yalnızca BMU'nun 2B koordinatlarını gönderin (muhtemelen 0 ile 1 arasında normalize edilir). Sonra MLP'niz sadece 2 girdiye ihtiyaç duyacaktır ve gerçek aşırı boyutsal indirgeme elde edersiniz.

Bu fikirleri ve daha fazlasını buradan okuyabilirsiniz: Principal temporal extensions of SOM: Overview. Bir SOM'un çıktısını bir MLP'ye, bir SOM'un kendisine beslemekle ilgili değildir. Ancak, SOM’tan bazı çıktılar üretmeye çalışırken çeşitli olasılıkları anlayabilirsiniz.