Modelos de Redes Neurais Auto-Organizáveis ou com Treinamento Não Supervisionado ou ainda Redes Concorrentes

Transcrição

1 Mdels de Redes Neurais Aut-Organizáveis u cm Treinament Nã Supervisinad u ainda Redes Cncrrentes Prf. Jã Albert Fabr IF67D Sistemas Inteligentes 1 UTFPR

2 Características: Mdels que peram smente sbre s padrões de entrada (nã existe um vetr de saída ns padrões de treinament) O aprendizad se dá pela cmparaçã entre s padrões Aplicações: Agrupament de dads em Classes (Classificaçã); Detectr de Regularidades (Extraçã de Características cmuns as padrões de Treinament)

3 Os algritms nã-supervisinads sã geralmente baseads em uma frma de cmpetiçã entre s prcessadres O métd mais cmum é chamad Cmpetitive Learning Aprendizad Cmpetitiv É uma frma de aprendizad que divide cnjunt de padrões de entrada em grups inerentes as dads Em sua frma mais simples winner takes all Inspiraçã Bilógica: Um neurôni, a dispararar, inibe s neurônis na sua vizinhança(inibiçã lateral)

4 Aplicações: Mapeament de Fnemas(Vz) para cmands; Recnheciment de Padrões(Caracteres) Previsã Utilizaçã Principal: Classificaçã de Padrões em grups(clusters) pr similaridade (Clusterizaçã?), Agrupament em classes de similaridade

5 Mdels Mdel LVQ(Linear Vectr Quantizatin) Mdel mais simples Mdel SOM(Self-Organizing Memry-Khnen) Mdel mais utilizad Mdel ART (Adaptive Ressnance Thery) Memória Assciativa

6 Redes aut-rganizáveis sã as que nã necessitam de treinament supervisinad. Este tip de rede, pr exempl, classifica padrões apresentads em sua entrada a partir das similaridades encntradas entre estes padrões, criand autmaticamente classes que agregam padrões similares. Um exempl sã as redes cmpetitivas[rum85], utilizadas para classificaçã de dads em agrupaments (clusters) cm características semelhantes. Estas redes sã ditas cmpetitivas pis, a cada apresentaçã de um padrã de entrada, s neurônis cmpetem pela classificaçã, e neurôni mais ativ inibe s utrs. O neurôni vencedr representa a classe a qual pertence padrã de entrada, e s pess das cnexões sã entã mdificads de acrd cm a classificaçã.

7 Exempl de Rede Cmpetitiva: Saídas w ij Entradas

8 - Cmpetitive Learning Características Básicas: Regra de Prpagaçã -> net j = x i.w ij = X.W j Funçã de Ativaçã -> Degrau(para neurôni vencedr) Tplgia -> Uma única camada de prcessadres. Algritm de Aprendizad -> Nã Supervisinad: w ik =. (x i - w ik ) Valres de Entrada/Saída -> Bináris/Cntínus

9 - Cmpetitive Learning Funcinament: s vetres X e W j devem ser nrmalizads smente neurôni vencedr é ativad (neurôni cm mai valr de net) s k = 1 se net k > net i, i k s k = 0 cas cntrári smente s pess d neurôni vencedr sã atualizads w ik =. (x i - w ik )

10 - Cmpetitive Learning

11 - Cmpetitive Learning Objetiv: Ajusta-se s pess de frma que vetres de entrada similares ativem mesm neurôni Aprendizad: A direçã de atualizaçã ds pess minimiza a diferença entre vetr de pess e vetr de entrada d prcessadr vencedr.

12 - Cmpetitive Learning

13 - Cmpetitive Learning

14 - Cmpetitive Learning

15 - Cmpetitive Learning Pr que deve-se usar < 1? Para representar a CLASSE u GRUPO de padrões semelhantes e nã um padrã de entrada específic. Prcura-se achar centr d GRUPO OBS: deve ser adaptativ, decrescend cm temp

16 - Cmpetitive Learning Cm s pess devem ser inicializads? Prática cmum -> pess randômics e nrmalizads a aleatriedade distribui s pess unifrmemente pela hiperesfera ( Pde gerar prcessadres inúteis ->nunca vencem a cmpetiçã ): Super-grups prcessadres que representam mais de uma classe Sub-grups mais de um prcessadr para representar uma única classe

17 - Cmpetitive Learning Cm s pess devem ser inicializads? Sluçã -> distribuir s vetres de pess de acrd cm a densidade de vetres de entrada Mais pess na regiã cm mais amstras de vetres de entrada Mapa de Khnen

18 A estratégia utilizada pelas redes cmpetitivas é a inibiçã lateral ds utrs neurônis, de md que apenas um saia vitris. Tal estratégia é inspirada em estuds sbre funcinament d córtex cerebral human, e leva à classificaçã de padrões nã muit diferentes em neurônis cntígus (preservand a tplgia ds padrões de entrada). Basead nestas idéias, Khnen[Kh82] prpôs uma extensã às redes cmpetitivas, denminad mapa de características de Khnen. O algritm de aut-rganizaçã atua cm um classificadr de características ds padrões de entrada, descbrind as regularidades, dividind-s em classes de elements similares. As cnexões entre s neurônis na vizinhança sã inibitórias, fazend que um neurôni ativ iniba a ativaçã de tds s que circundam.

19 Exempl de Rede SOM(Khnen): Entradas Mapa Aut- Organizável

20 Mapa de Khnen A atualizaçã de pess é feita nã só para neurôni vencedr k mas também para s neurônis pertencentes a uma certa vizinhança NE k (t), ajustável cm temp.

21 Mapa de Khnen

22 Neur-Darwinism Mdel de Edelman aplicad à rbótica móvel

23 Neur-Darwinism Mdel de Pavlv Reflex cndicinad a estímul

24 Sensres de Distância neurônis W 39x39 Pess W Pess 39x2 Sensres Nebulss de Clisã Seletr de Cmprtament Sensres Nebulss de Alv 39 neurônis Ações de Cntrle Mtr ré esquerda direita frente (default) Regras Nebulsas