Classificação não supervisionada - Kohonen
-
Upload
andre-andrade -
Category
Documents
-
view
1.352 -
download
4
description
Transcript of Classificação não supervisionada - Kohonen
Rede Neural Artificial - KohonenRede Neural Artificial - Kohonen
Introdução� Rede Neural Artificiais(RNA) são técnicas
computacionais que apresentam modelo matemático inspirado na estrutura neural de organismos inteligentesinteligentes
� O mapa auto- organizável (SOM – self-organizingmap), proposto por Kohonen (1997), é um tipo de rede neural artificial baseada em aprendizado competitivo e não-supervisionado.
Rede Neural Artificiais (RNA) � Analisa um problema de acordo com o funcionamento
do cérebro humano
� O processamento em um cérebro ativa vários � O processamento em um cérebro ativa vários neurônios biológicos, que se interagem numa rede biológica através da intercomunicação
� As RNAs buscam, por exemplo oferecer subsídios para classificação de imagens a partir de algoritmos matematicos
Características� São modelos adaptativos treináveis
� Podem representar domínios complexos(não lineares)
� São capazes de generalização diante de informação incompletaincompleta
� Robustos
� São capazes de fazer armazenamento associativo de informações
� Possuem grande paralelismo o que lhe conferem rapidez de processamento
Kohonen� Pertence a classe de rede neurais não-supervisionada
� São baseados em aprendizagem competitivas
� E é dividido em três processos: competição, cooperação e adaptação sináptica
Modelo de Kohonen� Produz um mapeamento
topológico
� Transforma um padrão de dimensão arbitraria em um dimensão arbitraria em um mapa discreto uni ou bidimensional
� Preserva a relação de vizinhança entre os neurônios
Exemplos de representação geométrica
dos neurônios do SOM
Aprendizagem Competitiva� Neurônios de saída da RNA competem entre si para se
tornar ativos
� Apenas um neurônio de saída está ativo em um determinado instantedeterminado instante
� Três elementos básicos:
� Neurônios com mesma estrutura, diferente pelos pesos, de forma que tenham respostas diferentes a uma entrada
� Um limite imposto sobre a força de cada neurônio
� Mecanismo de competição entre neurônios, de forma que um neurônio é vencedor em um dado instante.
Processo cooperativo
� Definição de uma função de vizinhança, centrada no neurônio vencedor
� Define uma região de neurônios cooperativos, que terão seus pesos ajustados juntamente com o vencedor
� Há diversas formas de implementar a função de vizinhança
Processo cooperativo
� Mais simples é definir um conjunto de níveis de vizinhança, ao redor do neurônio vencedor
Processo cooperativo
� Exemplo de função de vizinhança Gaussiana� Neurônios da vizinhança são atualizados de forma ponderada,
quanto mais afastado, menor fica a taxa de aprendizado
Processo de Adaptação Sináptica
� Modificação dos pesos em relação à entrada, de forma iterativa (repetida)
� O parâmetro de aprendizagem, assim como a função � O parâmetro de aprendizagem, assim como a função de vizinhança deve decrescer com o tempo, para que as adaptações sejam cada vez mais “finas”
� Assumindo uma inicialização aleatória, são necessárias duas fases de adaptação:
� Fase de Ordenação : movimentação da vizinhança.
� Fase de Convergência : sintonia fina.
Classificação de Imagem
� (a) Composição colorida da imagem utilizada nos experimentos.
� (b)Imagem dos protótipos do SOM na grade retangular 15´15 após o treinamento.
� OBS: as imagens são apresentadas em escalas diferentes.
Classificação de Imagem
� (a) Grade de protótipos do SOM segmentada em 6 agrupamentos.
� (b)Imagem teste classificada pelo método proposto