Classificação não supervisionada - Kohonen

Grupo:

Mary Hakamada
Mitsuhiko Hashioka
Rui Casarin
Tainá Shimura

1. Rede Neural Artificial
-
Kohonen
Rede Neural Artificial
-
Kohonen

2. Introdução
R
Rede Neural Artificiais(RNA) são técnicas
computacionais que apresentam modelo matemático
inspirado na estrutura neural de organismos
inteligentes inteligentes
R
O mapa auto-organizável (SOM –self-organizing
map), proposto por Kohonen(1997), é um tipo de rede
neural artificial baseada em aprendizado competitiv o e
não-supervisionado.

3. Rede Neural Artificiais (RNA)
R
Analisa um problema de acordo com o funcionamento
do cérebro humano
R
O processamento em um cérebro ativa vários
R
O processamento em um cérebro ativa vários neurônios biológicos, que se interagem numa rede
biológica através da intercomunicação
R
As RNAsbuscam, por exemplo oferecer subsídios para
classificação de imagens a partir de algoritmos
matematicos

5. Características
R
São modelos adaptativos treináveis
R
Podem representar domínios complexos(não lineares)
R
São capazes de generalização diante de informação incompleta incompleta
R
Robustos
R
São capazes de fazer armazenamento associativo de
informações
R
Possuem grande paralelismo o que lhe conferem
rapidez de processamento

6. Kohonen
R
Pertence a classe de rede neurais não-supervisionad a
R
São baseados em aprendizagem competitivas
R
E é dividido em três processos: competição,
cooperação e adaptação sináptica

7. Modelo de Kohonen
R
Produz um mapeamento
topológico
R
Transforma um padrão de dimensão arbitraria em um dimensão arbitraria em um mapa discreto uni ou
bidimensional
R
Preserva a relação de
vizinhança entre os
neurônios

8. Exemplos de representação geométrica
dos neurônios do SOM

9. Aprendizagem Competitiva
R
Neurônios de saída da RNA competem entre si para se
tornar ativos
R
Apenas um neurônio de saída está ativo em um determinado instante determinado instante
R
Três elementos básicos: R
Neurônios com mesma estrutura, diferente pelos pesos , de
forma que tenham respostas diferentes a uma entrada
R
Um limite imposto sobre a força de cada neurônio
R
Mecanismo de competição entre neurônios, de forma que um
neurônio é vencedor em um dado instante.

10. Processo cooperativo
R
Definição de uma função de vizinhança, centrada no
neurônio vencedor
R
Define uma região de neurônios cooperativos, que
terão seus pesos ajustados juntamente com o vencedo r
R
Há diversas formas de implementar a função de
vizinhança

11. Processo cooperativo
R
Mais simples é definir um conjunto de níveis de
vizinhança, ao redor do neurônio vencedor

12. Processo cooperativo R
Exemplo de função de vizinhança Gaussiana
R
Neurônios da vizinhança são atualizados de forma po nderada,
quanto mais afastado, menor fica a taxa de aprendiz ado

13. Processo de Adaptação Sináptica R
Modificação dos pesos em relação à entrada, de form a
iterativa (repetida)
R
O parâmetro de aprendizagem, assim como a função
R
O parâmetro de aprendizagem, assim como a função de vizinhança deve decrescer com o tempo, para que as
adaptações sejam cada vez mais “finas”
R
Assumindo uma inicialização aleatória, são necessárias
duas fases de adaptação:
R
Fase de Ordenação : movimentação da vizinhança.
R
Fase de Convergência : sintonia fina.

14. Classificação de Imagem
I
(a) Composição colorida da imagem utilizada nos exp erimentos.
I
(b)Imagem dos protótipos do SOM na grade retangular  15´15 após o treinamento.
I
OBS: as imagens são apresentadas em escalas diferen tes.

15. Classificação de Imagem
I
(a) Grade de protótipos do SOM segmentada em 6 agrupamentos. 
I
(b)Imagem teste classificada pelo método proposto