Modelos de Redes Neurais
Auto-Organizáveis
ou com
Treinamento Não Supervisionado
ou ainda
Redes Concorrentes
Prof. João Alberto Fabro
IF67D – Sistemas Inteligentes 1
UTFPR - 2015
Redes Neurais Auto-Organizáveis
●
Características:
– Modelos que operam somente sobre os padrões de
entrada (não existe um vetor de “saída” nos padrões de treinamento)
– O aprendizado se dá pela comparação entre os padrões ●
Aplicações:
– Agrupamento de dados em Classes (Classificação);
– Detector de Regularidades (Extração de Características
Redes Neurais Auto-Organizáveis
● Os algoritmos não-supervisionados são geralmente
baseados em uma forma de competição entre os processadores
● O método mais comum é o chamado Competitive
Learning – Aprendizado Competitivo
● É uma forma de aprendizado que divide o conjunto de
padrões de entrada em grupos inerentes aos dados
● Em sua forma mais simples “winner takes
all”
● Inspiração Biológica: Um neurônio, ao dispararar,
Redes Neurais Auto-Organizáveis
●
Aplicações:
– Mapeamento de Fonemas(Voz) para comandos;
– Reconhecimento de Padrões(Caracteres)
– Previsão
●
Utilização Principal:
– Classificação de Padrões em grupos(Clusters) por
similaridade (Clusterização?), Agrupamento em classes de similaridade
Redes Neurais Auto-Organizáveis
Modelos
●
Modelo LVQ(Linear Vector Quantization)
– Modelo mais simples
●
Modelo SOM(Self-Organizing Memory-Kohonen)
– Modelo mais utilizado●
Modelo ART (Adaptive Ressonance Theory)
Redes Neurais Auto-Organizáveis
● Redes auto-organizáveis são as que não necessitam de
treinamento supervisionado. Este tipo de rede, por exemplo, classifica padrões apresentados em sua entrada a partir das similaridades encontradas entre estes padrões, criando
automaticamente classes que agregam padrões similares. Um exemplo são as redes competitivas[Rum85], utilizadas para classificação de dados em agrupamentos (clusters) com características semelhantes.
● Estas redes são ditas competitivas pois, a cada apresentação
de um padrão de entrada, os neurônios competem pela classificação, e o neurônio mais ativo inibe os outros. O neurônio vencedor representa a classe a qual pertence o padrão de entrada, e os pesos das conexões são então modificados de acordo com a classificação.
Redes Neurais Auto-Organizáveis
●
Exemplo de Rede Competitiva:
w ij
Entradas Saídas
Redes Neurais Auto-Organizáveis -
Competitive Learning
• Características Básicas:
– Regra de Propagação -> netj =
xi .wij = X.Wj– Função de Ativação -> Degrau(para o neurônio vencedor)
– Topologia -> Uma única camada de processadores. – Algoritmo de Aprendizado -> Não Supervisionado:
w ik = . (xi - wik )
Redes Neurais Auto-Organizáveis -
Competitive Learning
• Funcionamento:
– os vetores X e W j devem ser normalizados –
somente o neurônio vencedor é ativado (neurônio com maio valor de net)
sk = 1 se netk > neti , i k sk = 0 caso contrário
– somente os pesos do neurônio vencedor são atualizados w ik = . (xi - wik )
Redes Neurais Auto-Organizáveis -
Redes Neurais Auto-Organizáveis -
Competitive Learning
• Objetivo:
–Ajusta-se os pesos de forma que vetores de entrada similares ativem o mesmo neurônio
• Aprendizado:
–A direção de atualização dos pesos minimiza a diferença entre o vetor de pesos e o vetor de entrada do processador vencedor.
Redes Neurais Auto-Organizáveis -
Redes Neurais Auto-Organizáveis -
Redes Neurais Auto-Organizáveis -
Redes Neurais Auto-Organizáveis -
Competitive Learning
● Por que deve-se usar < 1?Para representar a CLASSE ou GRUPO de padrões semelhantes e não um padrão de entrada específico. Procura-se achar o centro do GRUPO
OBS: deve ser adaptativo, decrescendo com o
Redes Neurais Auto-Organizáveis -
Competitive Learning
● Como os pesos devem ser inicializados?
Prática comum -> pesos randômicos e normalizados
a aleatoriedade distribui os pesos uniformemente
pela hiperesfera
( Pode gerar processadores inúteis ->nunca vencem a competição ):
– Super-grupos processadores que representam mais
de uma classe
– Sub-grupos mais de um processador para
Redes Neurais Auto-Organizáveis -
Competitive Learning
● Como os pesos devem ser inicializados?
Solução -> distribuir os vetores de pesos de acordo com a densidade de vetores de entrada
Mais pesos na região com mais amostras de vetores de entrada
Redes Neurais Auto-Organizáveis
● A estratégia utilizada pelas redes competitivas é a inibição lateral
dos outros neurônios, de modo que apenas um saia vitorioso. Tal estratégia é inspirada em estudos sobre o funcionamento do
córtex cerebral humano, e leva à classificação de padrões não muito diferentes em neurônios contíguos (preservando a
topologia dos padrões de entrada). Baseado nestas idéias,
Kohonen[Koh82] propôs uma extensão às redes competitivas, o denominado mapa de características de Kohonen.
● O algoritmo de auto-organização atua como um classificador de
características dos padrões de entrada, descobrindo as
regularidades, dividindo-os em classes de elementos similares. As conexões entre os neurônios na vizinhança são inibitórias,
fazendo que um neurônio ativo iniba a ativação de todos os que o circundam.
Redes Neurais Auto-Organizáveis
●
Exemplo de Rede SOM(Kohonen):
Entradas
Mapa Auto-Organizável
Redes Neurais Auto-Organizáveis
Mapa de Kohonen
●
A atualização de pesos é feita não só para o neurônio
vencedor k mas também para os neurônios
pertencentes a uma certa vizinhança NE
k(t),
ajustável com o tempo.
Redes Neurais Auto-Organizáveis
Mapa de Kohonen
Redes Neurais Auto-Organizáveis
Neuro-Darwinismo
●
Modelo de Edelman aplicado à robótica móvel
-90 90 0 -3 +3 -6 +6 -9 33 75 6550 4540 36 ...
Redes Neurais Auto-Organizáveis
Neuro-Darwinismo
Redes Neurais Auto-Organizáveis
0o 3 6 9 45 75 90 o o o o o o o W W 39x39 39x2 39 neurônios 39 neurônios Controle Motor ré esquerda direita frente (default) Comportamento DistânciaSensores de Sensores Nebulosos de Colisão
Sensores Nebulosos de Alvo-90o 90o
o -3 6 9 45 75 90o o o o 60 o o 60 -Ações de Regras Nebulosas . . . . . . . . . . Pesos Seletor de Pesos