Self-organizing map and its learning in the fuzzy clustering-classification tasks

Abstract

Запропоновано комбінований метод самонавчання-навчання самоорганізовної мапи (SOM-LVQ), що дає змогу підвищити якість обробки інформації за умов класів, що перетинаються внаслідок раціонального вибору параметра кроку навчання і введення спеціальної процедури нечіткого виведення в процесі класифікації-кластеризації, який проходить як з зовнішнім навчальним сигналом, так і без нього. Як міру подібності функцій сусідства і належності використовуються косинусоїдальні конструкції, що дають змогу забезпечити процесам самонавчання-навчання більшу гнучкість і надати їм низку нових корисних властивостей. In the paper, combined self-learning and learning method of self-organizing map (SOMLVQ) is proposed. Such method allows to increase quality of information processing under condition of overlapping classes due to rational choice of learning rate parameter and introducing special procedure of fuzzy reasoning in the clustering-classification process, which occurs both with external learning signal (“supervised”), and without one (“unsupervised”). As similarity measure of neighborhood function or membership one, cosine structures are used, which allow to provide a high flexibility due to self-learning-learning process and to provide some new useful properties.