Trƣớc khi chúng ta hiểu làm thế nào để tính toán lỗi cho mạng thì đầu tiên chúng ta phải hiểu “lỗi” có nghĩa là gì. Mạng đƣợc huấn luyện theo phƣơng pháp học không giám sát, do vậy cách định nghĩa về “lỗi” hơi khác nhau so với cách nghĩ thông thƣờng về lỗi. Nhƣ các phần khác đã nghiên cứu, huấn luyện có giám sát bao gồm tính toán lỗi, đó là sự khác biệt giữa đầu ra tính đƣợc và đầu ra mong muốn. Còn phƣơng pháp học không giám sát thì không có đầu ra mong muốn. Mục đích của mạng nơron Kohonen là để phân các mẫu đầu vào vào các tập. Do đó lỗi ở đây phải có khả năng đo lƣờng mức độ mạng phân lớp tốt nhƣ thế nào. Chúng ta sẽ xem xét hai phƣơng pháp để tính toán lỗi. Không có cách chính thức nào để tính toán lỗi cho mạng nơron Kohonen. Có thể tính lỗi theo tỷ lệ phần trăm, đó là ý tƣởng cho biết mạng phân loại tốt nhƣ thế nào đối với đầu vào và các nhóm đầu ra. Bản thân lỗi không đƣợc sử dụng để hiệu chỉnh trọng số nhƣ đối với thuật toán lan truyền ngƣợc. Ở đây lỗi đƣợc xác định bởi công tlức:
Kết luận
Mô hình mạng Kohonen này tƣơng đối đơn giản, chỉ gồm hai lớp: lớp nơron đầu vào và lớp nơron đầu ra. Trong đó, lớp đầu vào thực ra chỉ dùng để phân bố dữ liệu đến lớp nơron đầu ra mà không có chức năng xử lý dữ liệu trên đó. Các bƣớc thực hiện mạng nơron Kohonen tƣơng đối rõ ràng, chi tiết, đơn giản, dễ hiểu. Quá trình huấn luyện mạng với tốc độ hội tụ nhanh, xử lý đƣợc khối lƣợng dữ liệu lớn.
Việc xác lập các tham số đầu vào cho mạng rất dễ dàng, ta có thể hiệu chỉnh các tham số này bằng thực nghiệm trong quá trình thực hiện bài toán cụ thể để đạt đƣợc kết quả hoạt động tốt.
Qua việc nghiên cứu về mạng nơron Kohonen và nghiên cứu về mạng nơron tổng quan ở phần trƣớc, chúng ta đã thấy đƣợc các đặc điểm giống và khác nhau cơ bản của: học có giám sát, mạng dẫn tiến đa lớp, thuật toán lan truyền ngƣợc vốn rất phổ biến. Khi nghiên cứu về mạng nơron, so với đặc điểm của học có giám sát, học cạnh tranh, mạng nơron Kohonen cấu trúc đơn giản mà hiệu quả cao.
Mạng nơron Kohonen đƣợc sƣ̉ dụng trong rất n hiều ƣ́ng d ụng, thông thƣờng trong việc gom cụm và /hoặc mô hình hóa dƣ̃ liệu đa chiều thành các lƣới có hai hoặc ba chiều . Có thể kể đến là nhận dạng tiếng nói (Kohonen, 1989, robotics (Ritter et al ., 1989), máy ảo (Oja, 1992), tối ƣu tổ hợp (Fort, 1988), phân lớp (Kohonen,1984)....
CHƢƠNG II
ỨNG DỤNG MẠNG NƠRON KOHONEN TRONG BÀI TOÁN NHẬN DẠNG CHỮ VIẾT TAY TIẾNG VIỆT