5 / 9
Искусственные нейронные сети Т. Кохонена на службе коммерческого банка
Гуманитарный вестник
# 2
⋅
2016 5
Рис. 2.
Задача кластеризации
Данные нейронные сети реализуют конкурирующий принцип об-
работки входных векторов (рис. 3), заключающийся в том, что реше-
нием считается вектор, у которого выходное значение соответству-
ющего нейрона является максимальным. Затем наибольший сигнал
нормируется в единицу, а остальные сигналы обращаются в ноль.
Рис. 3.
Конкурирующий метод
Затем прошедшие кластеризацию векторы должны быть соотне-
сены с целевыми классами, указанными пользователем. Для этого
используется дополнительный слой линейной нейронной сети.
Линейная нейронная сеть (рис. 4) в силу своей активационной
функции способна решать только линейноотделимые задачи класси-
фикации, но этого достаточно, так как входные сигналы для данного
слоя заведомо кластеризованы сетью Т. Кохонена.
Таким образом, нейронная сеть, осуществляющая оценку креди-
тоспособности заемщиков, имеет два слоя: конкурирующий слой
Т. Кохонена, выполняющий задачу кластеризации, и линейная
нейронная сеть для распределения векторов на три заданных класса.
Подобная организация архитектуры нейронных сетей носит название
сети векторного квантования (learning vector quantization).