شبکه نیمه ناظر خودسازمانده پویا مبتنی بر یادگیری حداکثری

شبکه خودسازمانده پویا با یادگیری نیمه ناظر در بسیاری از کاربردها نظیر خوشه بندی داده ها کاربرد دارد. محاسبه پارامترهای شبکه خودسازمانده شامل شکل و ساختار لایه خوشه بندی، سطح فعال سازی و وزن های لایه طبقه بندی از جمله مسایل چالش برانگیز و مهم آن است. راهکارهای ارائه شده فعلی از روش های ابتکاری و با یک نگاه محلی سعی در تعیین این پارامترها دارند که در اثر آن، نتایج این الگوریتم ها وابستگی بالایی به شرایط دارد. این مقاله یک روش یادگیری نیمه ناظر مبتنی بر شبکه خودسازمانده پویا و یادگیری حداکثری را برای اولین بار مورد بررسی قرار می دهد. روش پیشنهادی، بدون محاسبه مستقیم پارامترهای شبکه خودسازمانده پویا و با استفاده از روش یادگیری حداکثری، کلاس هر داده را تعیین می کند. خطای حاصل از بازخورد سیستم، هم در یادگیری حداکثری و هم در بهینه سازی شبکه خودسازمانده پویا مورد استفاده قرار می گیرد. در این مقاله، علاوه بر بررسی تحلیلی همگرایی روش پیشنهادی، روش حداکثری ترتیبی برای شبکه نیمه ناظر خودسازمانده پویا ارائه شده است. آزمایش های انجام شده بر روی داده های برخط و با برچسب جزئی نشان می دهند که روش پیشنهادی از نظر دقت، نسبت به روش نیمه ناظر خودسازمانده پویا برتری نسبی دارد.