Classificação não supervisionada - Kohonen

2.307 visualizações

Publicada em

Grupo:

Mary Hakamada
Mitsuhiko Hashioka
Rui Casarin
Tainá Shimura

0 comentários
4 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
2.307
No SlideShare
0
A partir de incorporações
0
Número de incorporações
1
Ações
Compartilhamentos
0
Downloads
43
Comentários
0
Gostaram
4
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Classificação não supervisionada - Kohonen

  1. 1. Rede Neural Artificial - Kohonen
  2. 2. Introdução Rede Neural Artificiais(RNA) são técnicas computacionais que apresentam modelo matemático inspirado na estrutura neural de organismos inteligentes O mapa auto- organizável (SOM – self-organizing map), proposto por Kohonen (1997), é um tipo de rede neural artificial baseada em aprendizado competitivo e não-supervisionado.
  3. 3. Rede Neural Artificiais (RNA) Analisa um problema de acordo com o funcionamento do cérebro humano 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
  4. 4. Características São modelos adaptativos treináveis Podem representar domínios complexos(não lineares) São capazes de generalização diante de informação incompleta Robustos São capazes de fazer armazenamento associativo de informações Possuem grande paralelismo o que lhe conferem rapidez de processamento
  5. 5. 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
  6. 6. Modelo de Kohonen Produz um mapeamento topológico Transforma um padrão de dimensão arbitraria em um mapa discreto uni ou bidimensional Preserva a relação de vizinhança entre os neurônios
  7. 7. Exemplos de representação geométrica dos neurônios do SOM
  8. 8. Aprendizagem Competitiva Neurônios de saída da RNA competem entre si para se tornar ativos Apenas um neurônio de saída está ativo em um determinado 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.
  9. 9. 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
  10. 10. Processo cooperativo Mais simples é definir um conjunto de níveis de vizinhança, ao redor do neurônio vencedor
  11. 11. 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
  12. 12. Processo de Adaptação SinápticaModificação dos pesos em relação à entrada, de formaiterativa (repetida)O parâmetro de aprendizagem, assim como a funçãode vizinhança deve decrescer com o tempo, para que asadaptações 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.
  13. 13. 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.
  14. 14. Classificação de Imagem(a) Grade de protótipos do SOM segmentada em 6 agrupamentos.(b)Imagem teste classificada pelo método proposto

×