"Е.М.Миркес. Учебное пособие по курсу Нейроинформатика " - читать интересную книгу автора

ядра (радиуса класса). Если это не так, то класс разбивается на два
(порождается еще одно ядро вблизи первоначального).
3. Критерий сферической разделимости. Два класса считаются сферически
разделимыми, если сумма радиусов двух классов меньше расстояния между ядрами
этих классов. Если классы сферически неразделимы, то эти классы сливаются в
один.
Очевидно, что третий критерий применим только в тех случаях, когда ядра
классов являются точками того же пространства, что и те точки, которые
составляют классы. Все приведенные критерии неоднозначны и могут меняться в
зависимости от требований задачи. Так вместо сферической разделимости можно
требовать эллиптической разделимости и т. д.
Начальное число классов можно задавать по разному. Например, начать с
двух классов и позволить сети "самой" увеличивать число классов. Или начать
с большого числа классов и позволить сети отбросить "лишние" классы. В
первом случае система может остановиться в случае наличия иерархической
классификации (пример 1 из предыдущего раздела). Начиная с большого числа
классов, мы рискуем не узнать о существовании иерархии классов.
Другим критерием может служить плотность точек в классе. Определим
объем класса как объем шара с центром в ядре класса и радиусом равным
радиусу класса. Для простоты можно считать объем класса равным объему куба с
длинной стороны равной радиусу класса (объем шара будет отличаться от объема
куба на постоянный множитель, зависящий только от размерности пространства).
Плотностью класса будем считать отношение числа точек в классе к объему
класса. Отметим, что этот критерий применим для любых мер близости, а не
только для тех случаев, когда ядра и точки принадлежат одному пространству.
Метод применения этого критерия прост. Разбиваем первый класс на два и
запускаем процедуру настройки сети (метод динамических ядер или обучение
сети Кохонена). Если плотности обоих классов, полученных разбиением одного
класса, не меньше плотности исходного класса, то считаем разбиение
правильным. В противном случае восстанавливаем классы, предшествовавшие
разбиению, и переходим к следующему классу. Если после очередного просмотра
всех классов не удалось получить ни одного правильного разбиения, то считаем
полученное число классов соответствующим "реальному". Эту процедуру следует
запускать с малого числа классов, например, с двух.
Проведем процедуру определения числа классов для множества точек,
приведенного на рис. 10а. Результаты приведены на рис. 18. Порядок классов
1-й класс - черный цвет, 2-й класс - синий, 3-й - зеленый, 4-й - красный,
5-й - фиолетовый, 6-й - желтый.
Рассмотрим последовательность действий, отображенную на рис. 18.
Первый рисунок - результат классификации на два класса.
Второй рисунок - первый класс разбит на два. Результат классификации на
три класса. Плотности увеличились. Разбиение признано хорошим.
Рис. 18. Результат применения критерия плотности классов для
определения числа классов к множеству точек, приведенному на рис. 10а.

Третий рисунок - первый класс разбит на два. Результат классификации на
четыре класса. Плотности увеличились. Разбиение признано хорошим.
Четвертый рисунок - первый класс разбит на два. Результат классификации
на пять классов. Плотности не увеличились. Разбиение отвергнуто. Возврат к
третьему рисунку.