Труды КНЦ вып.5. ГЕЛИОГЕОФИЗИКА. 8/2019(10)

Алгоритм обучения слоя Кохоиена выполнен по аналогии с принципами самоорганизации нервных клеток. Общая идея алгоритма заключается в том, что в процессе самообучения усиливаются связи между возбужденными нейронами. После самообучения сеть способна обобщать схожие образы и относить их к одному классу. Таким образом, осуществляется сжатие информации. Был проведен ряд численных экспериментов по поиску числа классов, которые лучше всего соответствовали бы информации, содержащейся в используемых данных. Реализация алгоритмов машинного зрения потребовала разработки и особой формы представления данных для обучения ИНС. Во-первых, все параметры в пределах каждого набора были нормированы. Это позволило представить весь массив данных на одной шкале, сохранив информацию об интенсивности событий. Во-вторых, с помощью разработанного алгоритма визуализации данных наборы классификационных параметров представлялись в виде трех-, четырех-, и т.д. многоугольников. Такой способ подачи материала позволил контролировать работу ИНС и субъективно оценивать успешность классификации. Примеры визуализации данных приведены ниже, на рис. 2. а б Г ММО-15 (ALm, ALm, ALm) ММО-10 (Bz, T,NV2, Bz) е г ММО-12 (ALm, Ns, T.AL) MMO-IO (Bz, IAL , I M ALm) Рис. 2. Визуализация выбранных нормированных параметров для разных ММО: (а) для одного параметра, (б) для двух параметров, (в) для трех параметров, (г) для четырех параметров. ALm - интенсивность возмущения, Ns - число суббурь Fig. 2. Diagram of selected normalized parameters for different IMCs: (a) for one parameter; (6) for two parameters, (e) for three parameters, (г) for four parameters. ALm is a substorm intensity, Ns is substorm number 14