background image

NAI [5], „praca własna” studenta 

 

1 kwietania 2010 

Grupowanie danych (bez Ŝartów) 

Pytania testowe 

1. Podobieństwo w sieci Kohonena „mierzone jest”: 

a)  przy uŜyciu euklidesowej miary odległości, 

b)  poprzez znalezienie neuronu o maksymalnej wartości wyjścia, 

c)  poprzez znalezienie neuronu o minimalnej wartości wyjścia, co oznacza minimalne 

róŜnice między reprezentantem grupy a danymi wejściowymi, 

d)  Ŝadna z powyŜszych odpowiedzi. 

2. Liczba wejść dla danych dwuwymiarowych w sieci ART jest:: 

a)  taka sama jak w sieci Kohonena, 

b)  o połowę mniejsza niŜ w sieci Fuzzy-ART, 

c)  dwa razy większa niŜ w sieci Fuzzy-ART, 

d)  Ŝadna z powyŜszych odpowiedzi, dlaczego? ............................................................................... . 

 

.............................................................................................................................................................  

3. Sieci jednokierunkowe to sieci, które mogą być uczone: 

a)  pod nadzorem, 

b)  metodą propagacji wstecznej bez Ŝadnych dodatkowych ograniczeń, 

c)  bez nauczyciela, 

d)  metodą perceptronową przy dodatkowych ograniczeniach. 

Ćwiczenie 1 

Dla przedstawionego poniŜej zbioru wykonaj algorytm k-średnich zakładając, Ŝe reprezentanci 

grup to c

1

=[3, 3], i c

2

=[7, 4].  

 

background image

NAI [5], „praca własna” studenta 

 

1 kwietania 2010 

Ćwiczenie 2 

PoniŜej przedstawiono dwa neurony składające się na sieć Fuzzy-ART.  

  Z jakich wartości składa się wektor danych wejściowych dla punktu (7, 5)?  
  W jaki sposób pogrupowane będą przedstawione równieŜ poniŜej dane? (wersja dla 

cierpliwych i wersja dla leniwych) 

  Przedstaw interpretację graficzną parametrów sieci. 
  Przeprowadź do końca proces uczenia sieci, przyjmując 

α

=1. 

 

[

]

7

.

0

6

.

0

2

.

0

2

.

0

1

=

v

 

[

]

3

.

0

1

.

0

5

.

0

7

.

0

2

=

v

 

N

1

 

N

2

 





=

7

.

2

7

.

0

7

.

2

6

.

0

7

.

2

2

.

0

7

.

2

2

.

0

1

w

 





=

6

.

2

3

.

0

6

.

2

1

.

0

6

.

2

5

.

0

6

.

2

7

.

0

2

w