J TT (3.21) với là m ột ngưỡng nhỏ nào đó Theo cách này sẽ đạt được K v ùng siêu hình
3.5.1.2 Nhóm theo hình cầu bằng học cạnh tranh hiệu chỉnh
Một phương pháp khác để tạo luật mờ là sơ đồ học cạnh tranh hiệu chỉnh mà sẽ
tìm những nguyên mẫu của những nhóm hình cầu trong không gian ngõ vào. Phương pháp này, không giống như thuật toán cây k-d mờ ở trên, gồm một
pha học của mạng neuro-mờ với những véctơ trọng số ck được học trên cơ sở
dữ liệu ngõ vào phù hợp. Để khởi động pha học này, một cấu trúc ban đầu của
mạng neuro-mờ được xây dựng dựa trên H luật theo dạng kiến thức ưu tiên. Sau
đó, trong suốt quá trình học mạng tự tổ chức cấu trúc của nó theo cơ cấu bù cạnh tranh mà dần dần điều chỉnh những véctơ trọng số của những luật bổ sung
xa dần phân bố dữ liệu. Theo cách này , một số luật phù hợp hơn để đại diện
cho dữ liệu ngõ vào sẽ được chọn tự động.
Lớp thứ ba của mạng sẽ tham gia vào quá trình học cạnh tranh này. Khi hiện
diện véctơ ngõ vào x, những đơn vị trong lớp này sẽ cạnh tranh và đơn vị nào
có véctơ trọng số c gần nhất với véctơ ngõ vào sẽ được chọn là đơn vị thắng
cuộc. Đơn vị mà có véctơ trọng số gần thứ hai được đánh dấu là đối thủ. Độ gần được đo bằng thuật ngữ khoảng cách Eclit tỉ lệ với tần số thắng của đơn vị theo
học cạnh tranh nhạy tần số. Lợi ích của việc tích hợp thuật ngữ nhạy tần số
tránh việc dùng không đúng mức những nhóm nhỏ. Sau đó véctơ trọng số của đối thủ cạnh tranh sẽ được cập nhậtđể mà di chuyển xa khỏi đặc tính. Hình 3.4 thể hiện ành hưởng của cập nhật trọng số như thế.
Hình 3.4. Ảnh hưởng của cập nhật trọng số theo cơ cấu bù đối thủ cạnh tranh. Đối thủ cạnh tranh bị đẩy ra xa nhóm mà đơn vị thắng đang học.
Cơ cấu này cố gắng đẩy véctơ trọng số của đối thủ cạnh tranh ra xa nhóm mà
véctơ trọng số của đơn vị thắng đang di chuyển đến, vì thế sẽ đảm bảo hoàn toàn rằng mỗi nhóm chỉ được đại diện bởi mộtvéctơ trọng số. Việc dùng cơ cấu bù đố thủ cạnh tranh này sẽ dần dần đưa những véctơ trọng số của những đơn vị
phụ ra xa khỏi phân bố dữ liệu cho phép đạt được số đơn vị thích hợp trong lớp
Cuối cùng, như thường thấy trong các giải thuật học cạnh tranh, để tăng tốc độ hội tụ của thuật toán, tốc độ học của cả hai đơn vị thắng và đối thủ cạnh
tranh tự động giảm trong suốt quá trình học theo luật giảm tuyến tính.
Thuật toán học cạnh tranh này có thể được khai thác như một phương pháp
nhóm không gian nhiều chiều. Không giống như những phương pháp dựa trên
nhóm thông thường (ví dụ, trung bình k, trung bình k mờ, những giải thuật học
cạnh tranh truyền thống) mà yêu cầu số lượng nhóm cần được chọn lựa trước
cho mỗi tập dữ liệu, học cạnh tranh được hiệu chỉnh này thể hiện việc nhóm
trong không gian ngõ vào với khả năng thích nghi số lượng nhóm khi việc học
diễn ra.
Thuật toán học được mô tả như sau:
1. EpochNumber = 0;
2. Khởi động ngẫu nhiên những véctơ tâm ck (k=1,…,H)
3. Khởi động những tốc độ học wvà rcho đơn vị thắng và đối thủ cạnh tranh để mà 0r w1.
4. Repeat
a. EpochNumber = EpochNumber +1;
b. Với mỗi véctơ ngõ vào huấn luyện x(t), t=1,…,N thực hiện những bước sau:
i. Tính khoảng cách:
(3.22)
với nk là số lần thắng cộng dồn xảy ra cho đơn vị thứ k và dE(.,.) là khoảng cách Eclit.
ii. Cạnh tranh: Xác định đơn vị thắng uw và đối thủ của nó ur
dùng luật sau:
(3.23)
iii. Cập nhật số lượng thắng xảy ra:
iii. Cập nhật những véctơ trọng số của đơn vị thắng và đối thủ theo:
c. Hiệu chỉnh những tốc độ học theo giảm tuyến tính
5. Until
6. Chọn lựa những đơn vị cuối cùng: Loại bỏ tất cả các đơn vị uk mà véctơ
Bắt đầu với H đơn vị trong lớp thứ ba, học cạnh tranh có hiệu chỉnh tìm một
tập K đơn vị (KH) mà những véctơ trọng số ck(k=1,…,K) thể hiện tâm của
những nhóm hình cầu trong không gian ngõ vào.