Jest to ten neuron, którego wagi są najbardziej zbliżone do wektora wejściowego (wektora cech obiektu). Modyfikacja wag zwycięskiego neuronu w taki sposób, aby jeszcze bardziej upodobnić go do wektora wejściowego. Modyfikacja wag neuronów sąsiednich względem zwycięskiego, wyznaczonych na podstawie topologii sieci (w przypadku zastosowania metody „zwycięzca bierze wszystko” ten krok jest pomijany).
Do wyliczenia wartości, o które należy zmodyfikować wagi neuronu, stosuje się wzór
gdzie jest wektorem wag neuronu wektorem wejściowym próbki współczynnikiem uczenia, a funkcją sąsiedztwa określającą, jak blisko neuron znajduje się względem zwycięskiego neuronu Funkcja sąsiedztwa musi przyjmować wartość dla zwycięskiego neuronu i maleć wraz z odległością od niego. Przykładem stosowanej funkcji sąsiedztwa jest
gdzie jest odległością w siatce topologicznej między neuronem oraz zwycięskim neuronem, a promieniem sąsiedztwa.
Algorytm wykonywany jest przez określoną liczbę epok (pojedyncza epoka to wykonanie powyższych kroków dla wszystkich obiektów ze zbioru uczącego). Wraz z kolejnymi epokami zmniejszana jest wartość współczynnika uczenia oraz promienia sąsiedztwa.
Przypisy
Kategoria:Sieci neuronowe