text stringlengths 0 1.95k |
|---|
парами нейронов, на которые эти точки отображаются; |
240 |
° |
сохранение метрических свойств, т.е. еще более строгое понимание подобия, |
основанное на прямом вычислении численных метрических отношений между |
прототипами и их отображениями. |
Рис. 6.24. Иллюстрация процесса отображения SOM: многомерное облако точек наблюдений S |
проецируется на экран из 25 нейронов сети N (Wehrens, 2011) |
Можно |
выделить несколько |
существенных отличий SOM от других |
ординационных методов. Например, PCA формирует оси главных компонент, |
основываясь на масштабировании дисперсий, в результате чего большая группа точек |
оказывается близко к центру и трудно опознается (см. рис. 6.4). Использование различных |
методов построения дендрограмм в силу своей одномерности также не позволяет |
отобразить всю структуру “взаимоотношений” классов. В этих условиях нейронные сети |
Кохонена в силу своей адаптивности и самоорганизации не требуют предварительной |
калибровки данных и позволяют выявить внутреннюю структуру объектов с учетом всей |
совокупности выборочных точек. |
Традиционно SOM рассматривается как эмпирический алгоритм, а выводы (в |
первую очередь, качественные) о структуре данных делаются на основе визуального |
анализа полученной карты. Математический аппарат SOM также является трудным для |
описания, поскольку алгоритм определяется не в терминах функции ошибок, а через |
многочисленные эвристические правила итеративного обновления весов нейронов. |
Достаточно подробное русскоязычное описание |
техники расчетов и формул, |
применяемых для сглаживания и упорядочения базисных векторов при обучении, |
представлено, например, в руководствах к программе ScanEx IMAGE Processor v3.6 |
(http://www.scanex.ru/ru/software). |
Рассмотрим в качестве примера |
задачу районирования Куйбышевского |
водохранилища [П1] по результатам многолетнего мониторинга. Сформируем выборку из |
6 показателей: средних (за июнь-август) значений биомассы каляноид (CAL) и |
диатомовых водорослей (DIA), а также численности бактерий (BAK), при сопутствующих |
внешних факторах – прозрачности воды (PRO), содержании общего азота (Nsu) и |
температуры (TEM) в придонном слое. Всего исходная таблица содержит 305 строк |
данных, полученных в разные годы на 15 станциях наблюдения по всей акватории |
водохранилища. |
Первой проблемой, с которой мы сталкиваемся – наличие пропусков в данных. В |
статистической среде R существует большое число функций, заполняющих пропуски в |
многомерных таблицах с использованием продвинутых методов, реализующих различные |
статистические модели аппроксимации: mitools(…), mice(…), mix(…) из одноименных |
пакетов, aregImpute(…) и transcan(…) из пакета Hmisc и др. Однако в учебных целях |
241 |
используем свою простейшую функцию, |
заполняющую пропуски случайными |
значениями этого же показателя из подмножества зарегистрированных наблюдений для |
каждой станции. Для удобства последующего анализа в табл. 6.10 приведем средние |
выбоочные показатели по плесам. |
Таблица 6.10. Средние выборочные показатели по плесам Куйбышевского водохранилища |
Участки |
водохранилища |
Волжский |
Волго-Камский |
Тетюшинский |
Ундорским |
Ульяновский |
Приплотинный |
с |
Каляноиды |
мг/м3 |
51.9 |
65.1 |
83.4 |
142.6 |
83.4 |
Диатомо- |
вые, г/м3 |
9.52 |
10.2 |
Бактерии, |
млн.кл./мл |
1.58 |
1.71 |
Прозрач- |
ность, см |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.