1) Rede neural artificial de Kohonen é um tipo de rede neural não supervisionada baseada em aprendizado competitivo. 2) Ela mapeia padrões de entrada de dimensão arbitrária em um mapa discreto uni ou bidimensional preservando relações topológicas. 3) O processo de aprendizagem envolve competição entre neurônios, cooperação entre vizinhos do vencedor e adaptação sináptica iterativa.

1. Rede Neural Artificial - Kohonen

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

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