自己組織化と LVQ の紹介

ネットワークの自己組織化は、ニューラル ネットワークの分野において最も魅力あるトピックの 1 つです。このようなネットワークは、入力の規則性と相関を検出し、将来の応答がその入力に適宜適応するように学習できます。競合ネットワークのニューロンは、類似する入力ベクトルのグループを認識するように学習が行われます。自己組織化マップは、ニューロン層内で物理的に近い位置にあるニューロンが類似する入力ベクトルに応答するような方法で、類似する入力ベクトルのグループを認識するように学習が行われます。自己組織化マップは、入力ベクトルを類似するベクトルのクラスターに分割することを目的としているため、ターゲット ベクトルがありません。これらのタイプのネットワークには目的の出力はありません。

学習ベクトル量子化 (LVQ) は、教師ありの手法 (ターゲット出力を使用) で競合層に学習させる手法です。競合層は、入力ベクトルの分類を自動的に学習します。ただし、競合層が見つけるクラスは、入力ベクトル間の距離のみに依存します。非常に似ている 2 個の入力ベクトルはおそらく、競合層によって同じクラスに分類されます。厳密な競合層の設計には、任意の 2 個の入力ベクトルが同じクラスなのか異なるクラスなのかを判定するメカニズムはありません。

一方、LVQ ネットワークは、入力ベクトルをユーザーが選択したターゲット クラスに分類することを学習します。

詳細については次を参照してください。Kohonen, T., Self-Organization and Associative Memory, 2nd Edition, Berlin: Springer-Verlag, 1987.

自己組織化および LVQ の重要な関数

競合層と自己組織化マップはそれぞれ competlayer と selforgmap を使用して作成できます。

LVQ ネットワークは関数 lvqnet を使用して作成できます。