Meine Merkliste
my.bionity.com  
Login  

Learning Vector Quantization



Learning Vector Quantization (kurz: LVQ) ist ein Verfahren aus den Bereich der künstlichen neuronalen Netze. Es dient der Klassifikation von nichtlinearen Problemen.

VQ = Vectorquantisierung: Verfahren zum unüberwachten Clustering

LVQ = Lernende VQ

Klassifikation: Abbildung in K Klassen Trainingmenge P

  P = {(xi,yi) in Rnx{1..K}|i}

LVQ-Netz: gegeben durch Prototypen (w1,Y1)…(wk,Yk) in Rn{1..K} definiert Abbildung x -> Yi mit |x-wi| minimal, also Gewinner nach WTA (Winner Takes It All)

LVQ I: Es werden für die Klassen 1 bis k ein oder mehrere Neuronen erzeugt und deren Gewichtsvektoren zufällig, mit zufälligen Pattern der jeweiligen Klasse, durch die Schwerpunkte der jeweiligen Klasse oder anders sinnvoll initialisiert. Dann werden genau wie bei Vektorquantisierung die Muster präsentiert und je ein Gewinnerneuron mit kleinstem euklidischem Abstand zur Eingabe berechnet. Dabei ist die Lernrate \eta \isin[0,1[ entweder konstant oder im Laufe des Verfahrens fallend, um Konvergenz zu erzwingen.

Algorithmus:

  init wj
  repeat
     Wähle (xi,yi)
     bestimme Gewinner (wk,yk)
     wk = wk+η(xi-wk) falls yi = Yk (wenn yi die durch wk repräsentierte Klasse)
          wk-η(xi-wk) sonst

Die Konvergenz von LVQI ist nicht bewiesen; es gibt in der Praxis Probleme bei überlappenden Daten

 
Dieser Artikel basiert auf dem Artikel Learning_Vector_Quantization aus der freien Enzyklopädie Wikipedia und steht unter der GNU-Lizenz für freie Dokumentation. In der Wikipedia ist eine Liste der Autoren verfügbar.
Ihr Bowser ist nicht aktuell. Microsoft Internet Explorer 6.0 unterstützt einige Funktionen auf ie.DE nicht.