SlideShare uma empresa Scribd logo
1 de 15
Baixar para ler offline
Rede Neural Artificial - Kohonen
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.
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
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
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
 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 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
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

Mais conteúdo relacionado

Destaque

Classificação de imagens não supervisionada - KMEANS e ISODATA
Classificação de imagens não supervisionada - KMEANS e ISODATAClassificação de imagens não supervisionada - KMEANS e ISODATA
Classificação de imagens não supervisionada - KMEANS e ISODATAAndré Andrade
 
Classificação supervisionada
Classificação supervisionadaClassificação supervisionada
Classificação supervisionadaAndré Andrade
 
Classificação de padrões usando redes neurais
Classificação de padrões usando redes neuraisClassificação de padrões usando redes neurais
Classificação de padrões usando redes neuraisWanderson Rocha
 
Mineração de Dados com Mapas de Kohonen: Uma Abordagem no Setor Financeiro
Mineração de Dados com Mapas de Kohonen: Uma Abordagem no Setor FinanceiroMineração de Dados com Mapas de Kohonen: Uma Abordagem no Setor Financeiro
Mineração de Dados com Mapas de Kohonen: Uma Abordagem no Setor FinanceiroAnderson Pinho
 
Uma proposta de uma célula neural artificial paraconsistente de aprendizagem
Uma proposta de uma célula neural artificial paraconsistente de aprendizagemUma proposta de uma célula neural artificial paraconsistente de aprendizagem
Uma proposta de uma célula neural artificial paraconsistente de aprendizagemminicz
 
Classificação supervisionada arcgis 9.3
Classificação supervisionada   arcgis 9.3Classificação supervisionada   arcgis 9.3
Classificação supervisionada arcgis 9.3Jeani de Oliveira
 
Introdução à Lógica de Programação
Introdução à Lógica de ProgramaçãoIntrodução à Lógica de Programação
Introdução à Lógica de ProgramaçãoAndré Agostinho
 
Introd pdi e_sensoriamento_remoto
Introd pdi e_sensoriamento_remotoIntrod pdi e_sensoriamento_remoto
Introd pdi e_sensoriamento_remotoOnaldo Nunes
 
Redes Neurais Artificiais - Modelos e suas implementações
Redes Neurais Artificiais - Modelos e suas implementaçõesRedes Neurais Artificiais - Modelos e suas implementações
Redes Neurais Artificiais - Modelos e suas implementaçõesgpolo
 

Destaque (10)

Classificação de imagens não supervisionada - KMEANS e ISODATA
Classificação de imagens não supervisionada - KMEANS e ISODATAClassificação de imagens não supervisionada - KMEANS e ISODATA
Classificação de imagens não supervisionada - KMEANS e ISODATA
 
Classificação supervisionada
Classificação supervisionadaClassificação supervisionada
Classificação supervisionada
 
Classificação de padrões usando redes neurais
Classificação de padrões usando redes neuraisClassificação de padrões usando redes neurais
Classificação de padrões usando redes neurais
 
Mineração de Dados com Mapas de Kohonen: Uma Abordagem no Setor Financeiro
Mineração de Dados com Mapas de Kohonen: Uma Abordagem no Setor FinanceiroMineração de Dados com Mapas de Kohonen: Uma Abordagem no Setor Financeiro
Mineração de Dados com Mapas de Kohonen: Uma Abordagem no Setor Financeiro
 
Uma proposta de uma célula neural artificial paraconsistente de aprendizagem
Uma proposta de uma célula neural artificial paraconsistente de aprendizagemUma proposta de uma célula neural artificial paraconsistente de aprendizagem
Uma proposta de uma célula neural artificial paraconsistente de aprendizagem
 
Classificação supervisionada arcgis 9.3
Classificação supervisionada   arcgis 9.3Classificação supervisionada   arcgis 9.3
Classificação supervisionada arcgis 9.3
 
Mapas de kohonen
Mapas de kohonenMapas de kohonen
Mapas de kohonen
 
Introdução à Lógica de Programação
Introdução à Lógica de ProgramaçãoIntrodução à Lógica de Programação
Introdução à Lógica de Programação
 
Introd pdi e_sensoriamento_remoto
Introd pdi e_sensoriamento_remotoIntrod pdi e_sensoriamento_remoto
Introd pdi e_sensoriamento_remoto
 
Redes Neurais Artificiais - Modelos e suas implementações
Redes Neurais Artificiais - Modelos e suas implementaçõesRedes Neurais Artificiais - Modelos e suas implementações
Redes Neurais Artificiais - Modelos e suas implementações
 

Semelhante a Rede Neural de Kohonen para Classificação de Imagens

Redes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRedes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRenato Ximenes
 
RNA - Redes neurais artificiais
RNA - Redes neurais artificiaisRNA - Redes neurais artificiais
RNA - Redes neurais artificiaisiaudesc
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLPAhirton Lopes
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neuraisBruno Souza
 
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Ricardo Brasil
 
Um Reconhecedor de Padrões Espaço-Temporais Inspirado no Neocórtex
Um Reconhecedor de Padrões Espaço-Temporais Inspirado no NeocórtexUm Reconhecedor de Padrões Espaço-Temporais Inspirado no Neocórtex
Um Reconhecedor de Padrões Espaço-Temporais Inspirado no NeocórtexRafael Pinto
 
Introdução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encogIntrodução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encogRaquel Machado
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNACarlos Cheth
 
Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Bruno Catão
 
A rede neural supervisionada chamada perceptron multicamadas
A rede neural supervisionada chamada perceptron multicamadasA rede neural supervisionada chamada perceptron multicamadas
A rede neural supervisionada chamada perceptron multicamadascesar do amaral
 
Search based gravitational algorithm
Search based gravitational algorithmSearch based gravitational algorithm
Search based gravitational algorithmCRISLANIO MACEDO
 
Redes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de AprendizadoRedes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de AprendizadoJackson Daner
 
Banner sic 02
Banner sic 02Banner sic 02
Banner sic 02siridakis
 
Desenvolvimento de Rede Neural SOM: Um Estudo de Caso para Segmentação de Perfis
Desenvolvimento de Rede Neural SOM: Um Estudo de Caso para Segmentação de PerfisDesenvolvimento de Rede Neural SOM: Um Estudo de Caso para Segmentação de Perfis
Desenvolvimento de Rede Neural SOM: Um Estudo de Caso para Segmentação de PerfisManoel Jorge Ribeiro Neto
 
Modelagem de cargas utilizando sistemas baseados em regras
Modelagem de cargas utilizando sistemas baseados em regrasModelagem de cargas utilizando sistemas baseados em regras
Modelagem de cargas utilizando sistemas baseados em regrasSuzana Viana Mota
 

Semelhante a Rede Neural de Kohonen para Classificação de Imagens (20)

Redes neurais e lógica fuzzy
Redes neurais e lógica fuzzyRedes neurais e lógica fuzzy
Redes neurais e lógica fuzzy
 
ArtigoFinal_v02
ArtigoFinal_v02ArtigoFinal_v02
ArtigoFinal_v02
 
Redes Neuronais
Redes NeuronaisRedes Neuronais
Redes Neuronais
 
RNA - Redes neurais artificiais
RNA - Redes neurais artificiaisRNA - Redes neurais artificiais
RNA - Redes neurais artificiais
 
[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP[José Ahirton Lopes] Apresentação MLP
[José Ahirton Lopes] Apresentação MLP
 
Apostila redes neurais
Apostila redes neuraisApostila redes neurais
Apostila redes neurais
 
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
Aplicação das Redes Neuronais Artificiais do software STATISTICA 7.0: O caso ...
 
Um Reconhecedor de Padrões Espaço-Temporais Inspirado no Neocórtex
Um Reconhecedor de Padrões Espaço-Temporais Inspirado no NeocórtexUm Reconhecedor de Padrões Espaço-Temporais Inspirado no Neocórtex
Um Reconhecedor de Padrões Espaço-Temporais Inspirado no Neocórtex
 
Introdução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encogIntrodução a redes neurais artificiais com a biblioteca encog
Introdução a redes neurais artificiais com a biblioteca encog
 
INTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNAINTELIGENCIA ARTIFICIAL RNA
INTELIGENCIA ARTIFICIAL RNA
 
Redes neurais
Redes neuraisRedes neurais
Redes neurais
 
20120305 - presentation
20120305 - presentation20120305 - presentation
20120305 - presentation
 
Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2Introdução às Redes Neurais - Parte 1/2
Introdução às Redes Neurais - Parte 1/2
 
A rede neural supervisionada chamada perceptron multicamadas
A rede neural supervisionada chamada perceptron multicamadasA rede neural supervisionada chamada perceptron multicamadas
A rede neural supervisionada chamada perceptron multicamadas
 
Search based gravitational algorithm
Search based gravitational algorithmSearch based gravitational algorithm
Search based gravitational algorithm
 
Redes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de AprendizadoRedes Neurais Artificiais: Regras de Aprendizado
Redes Neurais Artificiais: Regras de Aprendizado
 
Banner sic 02
Banner sic 02Banner sic 02
Banner sic 02
 
Modelos de previsão de Ocorrências
Modelos de previsão de OcorrênciasModelos de previsão de Ocorrências
Modelos de previsão de Ocorrências
 
Desenvolvimento de Rede Neural SOM: Um Estudo de Caso para Segmentação de Perfis
Desenvolvimento de Rede Neural SOM: Um Estudo de Caso para Segmentação de PerfisDesenvolvimento de Rede Neural SOM: Um Estudo de Caso para Segmentação de Perfis
Desenvolvimento de Rede Neural SOM: Um Estudo de Caso para Segmentação de Perfis
 
Modelagem de cargas utilizando sistemas baseados em regras
Modelagem de cargas utilizando sistemas baseados em regrasModelagem de cargas utilizando sistemas baseados em regras
Modelagem de cargas utilizando sistemas baseados em regras
 

Mais de André Andrade

Protocolo ISOBUS (ISO11783) - Grupo 5
Protocolo ISOBUS (ISO11783) - Grupo 5Protocolo ISOBUS (ISO11783) - Grupo 5
Protocolo ISOBUS (ISO11783) - Grupo 5André Andrade
 
Protocolo ISOBUS (ISO11783) - Grupo 1
Protocolo ISOBUS (ISO11783) - Grupo 1Protocolo ISOBUS (ISO11783) - Grupo 1
Protocolo ISOBUS (ISO11783) - Grupo 1André Andrade
 
Protocolo ISOBUS (ISO11783) - Grupo 2
Protocolo ISOBUS (ISO11783) - Grupo 2Protocolo ISOBUS (ISO11783) - Grupo 2
Protocolo ISOBUS (ISO11783) - Grupo 2André Andrade
 
Protocolo ISOBUS (ISO11783) - Grupo 6
Protocolo ISOBUS (ISO11783) - Grupo 6Protocolo ISOBUS (ISO11783) - Grupo 6
Protocolo ISOBUS (ISO11783) - Grupo 6André Andrade
 
Protocolo ISOBUS (ISO11783) - Grupo 3
Protocolo ISOBUS (ISO11783) - Grupo 3Protocolo ISOBUS (ISO11783) - Grupo 3
Protocolo ISOBUS (ISO11783) - Grupo 3André Andrade
 
Sistemas de Telemetria - Grupo 2
Sistemas de Telemetria - Grupo 2Sistemas de Telemetria - Grupo 2
Sistemas de Telemetria - Grupo 2André Andrade
 
Sistemas de Telemetria - Grupo 5
Sistemas de Telemetria - Grupo 5Sistemas de Telemetria - Grupo 5
Sistemas de Telemetria - Grupo 5André Andrade
 
Sistemas de Telemetria - Grupo 1
Sistemas de Telemetria - Grupo 1Sistemas de Telemetria - Grupo 1
Sistemas de Telemetria - Grupo 1André Andrade
 
Sistemas de Telemetria - Grupo 6
Sistemas de Telemetria - Grupo 6Sistemas de Telemetria - Grupo 6
Sistemas de Telemetria - Grupo 6André Andrade
 
Sistemas de Telemetria - Grupo 3
Sistemas de Telemetria - Grupo 3Sistemas de Telemetria - Grupo 3
Sistemas de Telemetria - Grupo 3André Andrade
 
Aplicações de visão computacional em agricultura de precisão - Grupo 3
Aplicações de visão computacional em agricultura de precisão - Grupo 3Aplicações de visão computacional em agricultura de precisão - Grupo 3
Aplicações de visão computacional em agricultura de precisão - Grupo 3André Andrade
 
Aplicações de visão computacional em agricultura de precisão - Grupo 2
Aplicações de visão computacional em agricultura de precisão - Grupo 2Aplicações de visão computacional em agricultura de precisão - Grupo 2
Aplicações de visão computacional em agricultura de precisão - Grupo 2André Andrade
 
Aplicações de visão computacional em agricultura de precisão - Grupo 1
Aplicações de visão computacional em agricultura de precisão - Grupo 1Aplicações de visão computacional em agricultura de precisão - Grupo 1
Aplicações de visão computacional em agricultura de precisão - Grupo 1André Andrade
 
Aplicações de visão computacional em agricultura de precisão - Grupo 6
Aplicações de visão computacional em agricultura de precisão - Grupo 6Aplicações de visão computacional em agricultura de precisão - Grupo 6
Aplicações de visão computacional em agricultura de precisão - Grupo 6André Andrade
 
Aplicações de classificação de imagens em ambientes urbanos e rurais
Aplicações de classificação de imagens em ambientes urbanos e ruraisAplicações de classificação de imagens em ambientes urbanos e rurais
Aplicações de classificação de imagens em ambientes urbanos e ruraisAndré Andrade
 
Tecnologias de agricultura de precisão para colheita (Grupo 5)
Tecnologias de agricultura de precisão para colheita (Grupo 5)Tecnologias de agricultura de precisão para colheita (Grupo 5)
Tecnologias de agricultura de precisão para colheita (Grupo 5)André Andrade
 
Tecnologias de agricultura de precisão para colheita (Grupo 2)
Tecnologias de agricultura de precisão para colheita (Grupo 2)Tecnologias de agricultura de precisão para colheita (Grupo 2)
Tecnologias de agricultura de precisão para colheita (Grupo 2)André Andrade
 
Tecnologias de agricultura de precisão para colheita (Grupo 3)
Tecnologias de agricultura de precisão para colheita (Grupo 3)Tecnologias de agricultura de precisão para colheita (Grupo 3)
Tecnologias de agricultura de precisão para colheita (Grupo 3)André Andrade
 

Mais de André Andrade (20)

Homen que faz chover
Homen que faz choverHomen que faz chover
Homen que faz chover
 
Protocolo ISOBUS (ISO11783) - Grupo 5
Protocolo ISOBUS (ISO11783) - Grupo 5Protocolo ISOBUS (ISO11783) - Grupo 5
Protocolo ISOBUS (ISO11783) - Grupo 5
 
Protocolo ISOBUS (ISO11783) - Grupo 1
Protocolo ISOBUS (ISO11783) - Grupo 1Protocolo ISOBUS (ISO11783) - Grupo 1
Protocolo ISOBUS (ISO11783) - Grupo 1
 
Protocolo ISOBUS (ISO11783) - Grupo 2
Protocolo ISOBUS (ISO11783) - Grupo 2Protocolo ISOBUS (ISO11783) - Grupo 2
Protocolo ISOBUS (ISO11783) - Grupo 2
 
Protocolo ISOBUS (ISO11783) - Grupo 6
Protocolo ISOBUS (ISO11783) - Grupo 6Protocolo ISOBUS (ISO11783) - Grupo 6
Protocolo ISOBUS (ISO11783) - Grupo 6
 
Protocolo ISOBUS (ISO11783) - Grupo 3
Protocolo ISOBUS (ISO11783) - Grupo 3Protocolo ISOBUS (ISO11783) - Grupo 3
Protocolo ISOBUS (ISO11783) - Grupo 3
 
Sistemas de Telemetria - Grupo 2
Sistemas de Telemetria - Grupo 2Sistemas de Telemetria - Grupo 2
Sistemas de Telemetria - Grupo 2
 
Sistemas de Telemetria - Grupo 5
Sistemas de Telemetria - Grupo 5Sistemas de Telemetria - Grupo 5
Sistemas de Telemetria - Grupo 5
 
Sistemas de Telemetria - Grupo 1
Sistemas de Telemetria - Grupo 1Sistemas de Telemetria - Grupo 1
Sistemas de Telemetria - Grupo 1
 
Sistemas de Telemetria - Grupo 6
Sistemas de Telemetria - Grupo 6Sistemas de Telemetria - Grupo 6
Sistemas de Telemetria - Grupo 6
 
Sistemas de Telemetria - Grupo 3
Sistemas de Telemetria - Grupo 3Sistemas de Telemetria - Grupo 3
Sistemas de Telemetria - Grupo 3
 
Aplicações de visão computacional em agricultura de precisão - Grupo 3
Aplicações de visão computacional em agricultura de precisão - Grupo 3Aplicações de visão computacional em agricultura de precisão - Grupo 3
Aplicações de visão computacional em agricultura de precisão - Grupo 3
 
Aplicações de visão computacional em agricultura de precisão - Grupo 2
Aplicações de visão computacional em agricultura de precisão - Grupo 2Aplicações de visão computacional em agricultura de precisão - Grupo 2
Aplicações de visão computacional em agricultura de precisão - Grupo 2
 
Aplicações de visão computacional em agricultura de precisão - Grupo 1
Aplicações de visão computacional em agricultura de precisão - Grupo 1Aplicações de visão computacional em agricultura de precisão - Grupo 1
Aplicações de visão computacional em agricultura de precisão - Grupo 1
 
Aplicações de visão computacional em agricultura de precisão - Grupo 6
Aplicações de visão computacional em agricultura de precisão - Grupo 6Aplicações de visão computacional em agricultura de precisão - Grupo 6
Aplicações de visão computacional em agricultura de precisão - Grupo 6
 
Aplicações de LIDAR
Aplicações de LIDARAplicações de LIDAR
Aplicações de LIDAR
 
Aplicações de classificação de imagens em ambientes urbanos e rurais
Aplicações de classificação de imagens em ambientes urbanos e ruraisAplicações de classificação de imagens em ambientes urbanos e rurais
Aplicações de classificação de imagens em ambientes urbanos e rurais
 
Tecnologias de agricultura de precisão para colheita (Grupo 5)
Tecnologias de agricultura de precisão para colheita (Grupo 5)Tecnologias de agricultura de precisão para colheita (Grupo 5)
Tecnologias de agricultura de precisão para colheita (Grupo 5)
 
Tecnologias de agricultura de precisão para colheita (Grupo 2)
Tecnologias de agricultura de precisão para colheita (Grupo 2)Tecnologias de agricultura de precisão para colheita (Grupo 2)
Tecnologias de agricultura de precisão para colheita (Grupo 2)
 
Tecnologias de agricultura de precisão para colheita (Grupo 3)
Tecnologias de agricultura de precisão para colheita (Grupo 3)Tecnologias de agricultura de precisão para colheita (Grupo 3)
Tecnologias de agricultura de precisão para colheita (Grupo 3)
 

Rede Neural de Kohonen para Classificação de Imagens

  • 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. 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.
  • 5. 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
  • 6. 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
  • 7. 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
  • 8. Exemplos de representação geométrica dos neurônios do SOM
  • 9. 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.
  • 10. 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
  • 11. Processo cooperativo Mais simples é definir um conjunto de níveis de vizinhança, ao redor do neurônio vencedor
  • 12. 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
  • 13. Processo de Adaptação Sináptica Modificação dos pesos em relação à entrada, de forma iterativa (repetida) 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.
  • 14. 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.
  • 15. Classificação de Imagem (a) Grade de protótipos do SOM segmentada em 6 agrupamentos. (b)Imagem teste classificada pelo método proposto