uma nova abordagem na resolução do problema do caixeiro viajante

⎛ − t ⎞
( t)
= R(
0)
exp ⎜
⎟
⎝ z1
⎠
R , (3.2.10)
onde z1 é uma constante, dada por z1 = 1000/log(R(0)) (HAYKIN, 1999), e o raio inicial inicia
o processo de aprendizagem cobrindo o mapa todo. A atualização da taxa de aprendizagem do
mapa de Kohonen também é exponencial, dada por:
⎛ − t ⎞
( t) = α(
0)
exp ⎜
⎟
⎝ z2
⎠
α , (3.2.11)
onde z2 é uma constante, dada por z2 = 1000 (HAYKIN, 1999), e a taxa de aprendizagem
inicial, α(0), possui valor menor do que 1, decaindo para valores próximos de zero no final do
aprendizado do mapa.
O critério de parada que pode ser utilizado para o “treinamento” da Rede de Kohonen
é o alcance de um dos seguintes valores pré-determinados: erro mínimo desejável, número
máximo de iterações, ou valor mínimo para a taxa de aprendizagem.
Na seção seguinte são apresentadas algumas formas de medir a qualidade dos mapas
Auto-Organizáveis.
3.2.2 Cálculo de erros em mapas Auto-Organizáveis de Kohonen
Existem várias medidas de erro que podem ser utilizadas para determinar a qualidade
de um mapa Auto-Organizável, e as três medidas escolhidas neste trabalho encontram-se
descritas a seguir.
O Erro de Quantização (KIVILUOTO, 1996; KOHONEN, 2001) é dado por:
E
Q
1
=
v
v
∑
k=
1
p
k
− w
*
, (3.2.12)
onde v é a quantidade de padrões de entrada apresentados ao mapa e w * representa o vetor
peso do neurônio vencedor para o padrão pk. Este erro representa o erro médio correspondente
à diferença entre os vetores dos padrões de entrada e os respectivos pesos de seus neurônios
vencedores.
forma:
Já o Erro Médio Quadrático (LEE; VERLEYSEN, 2002) é calculado da seguinte