Формирование АНС с незначительно отличающимися для различных компонент константами масштабирования позволяет рассматривать входные данные об одних и тех же наблюдениях под разным углом зрения. Чем больше значения констант масштабирования, тем выше разрешение или число нейронов для того илииного параметра. Соответственно меньшие константы масштабирования дают более усредненные значения по нейронам, т.е. менее отчетливую картину соответствующих компонент.
В общем случае всегда необходимо соотносить процесс масштабирования и цели обработки данных. Изначальная идея АНС состоит в поиске наилучшего представления пространства входных данных. Поэтому, если значения некоторых компонент будут слишком завышены, то остальные компоненты станут менее различимыми, что может привести к утрате или искажению той или иной ценной информации.
Для того чтобы сделать визуальное представление данных при помощи АНС более интуитивно понятным, различные кластеры, т.е. различные типы данных могут быть обозначены различными цветами. Однако выделить четко очерченные кластеры оказывается зачастую практически невозможно, поскольку кластеры могут перекрываться, да и попросту отсутствовать. Поэтому данные следует окрашивать таким образом, чтобы оттенки цвета изменялись плавно в зависимости от изменения плотности данных. Относительно более однородные кластеры будут соответственно окрашены более равномерно, в то время как участки плоскости выходных параметров, не содержащие кластеров, будут отличаться более неравномерной окраской.
Процедура автоматического цветового кодирования для адаптивных сетей типа АНС состоит из трех последовательных этапов:
выбор цветовых центров . подходящих участков плоскости выходных параметров, на которых будут наблюдаться известные цвета;
выбор подходящих оттенков для цветовых центров;
окрашивания оставшейся части плоскости выходных параметров.
Для выбора цветовых центров можно использовать одномерную адаптивную нейронную сеть с линейной формой выходного изображения. Каждый узел одномерной (кольцеобразной) сети будет соответствовать одному цветовому центру, в результате чего по завершении обучения такой АНС центры цвета оказываются преимущественно в области кластеров. Технически кольцеобразную АНС можно обучать, используя обычный алгоритм самоорганизации, но со специально сформированными входными данными. Можно выбрать двумерные данные, в которых первая компонента соответствует горизонтальной оси АНС обычного двумерного типа, а вторая компонента соответствует ее вертикальной оси. Из светлых областей можно выбрать больше данных, а из более темных меньше. Данные должны подбираться таким образом, чтобы различные оттенки использовались для того, чтобы показать распределение плотности вероятности. Известно, что модельные векторы АНС отражают распределение данных, поэтому они окажутся преимущественно в области кластеров (на светлых участках).
