پیمان ادیبی - آزمایشگاه بینایی و هوش محاسباتی، دانشکده مهندسی کامپیوتر و فناوری اط
رضا صفابخش

ارائ ه داده ها با چند زیرفضای خطی، با حفظ سادگی می تواند برای ساختارهای غیر خطی داده ها نیز عملکرد مطلوب داشته باشد. شبک ه خود سازمانده زیرفضای تطبیقی (ASSOM) چنین ارائه ای با چند زیرفضای خطی را از داده های ورودی به صورت بی نظارت یاد می گیرد. اما این شبکه مشکلاتی دارد که از آن جمله میتوان به ارائ ه غیر عادلانه، ناپایداری، و محدودیت عبور زیر فضاها از مبدأ اشاره نمود. در این مقاله برای رفع مشکلات مذکور قوانین یادگیری جدیدی بر اساس حداکثر سازی آنتروپی توأم خروجی نورون ها به دست می آیند. ارزیابی قوانین حاصل کارایی مطلوب آنها را نشان می دهد.

نقش ه خود سازمانده، تطبیقی، زیرفضا، حداکثر سازی آنتروپی