Il più conosciuto ed applicato modello di rete neurale autoorganizzante prende il nome dal suo inventore(Kohonen,T) ed è costituito da una rete a due strati, dei quali uno è di input e l altro (di output)viene comunemente chiamato strato di Kohonen.

I neuroni dei due strati sono completamente connessi tra loro, mentre i neuroni dello strato di output sono connessi, ciascuno, con un "vicinato " di neuroni secondo un sistema di inibizione laterale definito a "cappello messicano". I pesi dei collegamenti intrastrato dello strato di output o strato di Kohonen non sono soggetti ad apprendimento ma sono fissi e positivi nella periferia adiacente ad ogni neurone. Le figure fig.2e fig.3 rappresentano una rete di Kohonen e il collegamento a cappello messicano.

Nello strato di output un neurone soltanto deve risultare "vincente" (con il massimo valore di attivazione) per ogni input pattern che viene fornito alla rete. In pratica il neurone vincente identifica una classe a cui l'input appartiene. Il collegamento a cappello messicano, nella versione originale di questo tipo di rete, tende a favorire il formarsi di "bolle di attivazione" che identificano inputs simili. Ogni neurone del Kohonen layer riceve uno stimolo che è pari alla sommatoria degli inputs moltiplicati per il rispettivo peso sinaptico:

A(j)=S(k)w(j,k)*x(k)

Tra tutti i neuroni di output viene scelto quello con valore di attivazione maggiore che assume quindi il valore 1, mentre tutti gli altri assumono il valore 0 secondo la tecnica "WTA"(Winner Takes All). Lo scopo di una rete di Kohonen è quello di avere, per inputs simili, neuroni vincenti vicini, così che ogni bolla di attivazione rappresenta una classe di inputs aventi caratteristiche somiglianti.

Luca Marchese

Successivo: Apprendimento Autoorganizzante

Sommario: Indice