Upload
mustafa-kehonjic
View
5
Download
1
Embed Size (px)
Citation preview
Dr. Sven LonariNeuronske mree: Samoorganizirajue mree
Copyright by Sven Lonari
9-1
Neuronske mree:Samoorganizirajue mree
Prof. dr. sc. Sven Lonari
Fakultet elektrotehnike i [email protected]://ipg.zesoi.fer.hr
Uvod
Samoorganizirajue mree su one koje ue bez nadzora
Kod uenja bez nadzora ne postoji uitelj Nema informacije o tome koju bi vrijednosti izlazi
trebali imati za pojedine ulaze
Mrea mora sama otkriti uzorke, korelacije ili kategorije u ulaznim podacima
Da bi uenje bez nadzora bilo mogue potrebna je redundancija u ulaznim podacima
Bez redundancije ulazni podaci izgledali bi kao sluajni um i uenje ne bi bilo mogue
Uvod
Vrsta uzorka koju mrea otkriva u ulaznim podacima ovisi o arhitekturi mree
Postoji vie razliitih arhitektura samoorganizirajuihmrea koje se mogu koristiti za razne namjene
Openito, samoorganizirajua mrea moe detektirati razna svojstva ulaznih podataka navedena u nastavku
to predstavljaju izlazi ?
1. Slinost: Jedan kontinuirani izlaz moe pokazivati koliko je novi ulaz slian dosadanjim (prosjenim) uzorcima
2. Analiza glavnih komponenti: Proirenje mjerenja slinosti s jednim na mjerenje s vie vektora. Npr. upotreba vlastitih vektora korelacijske matrice ulaznih uzoraka.
3. Grupiranje: Skup binarnih izlaza gdje je samo jedan aktivan u jednom trenutku moe nam rei kojoj grupi pripada ulazni uzorak
to predstavljaju izlazi ?
4. Prototyping: Slino kao grupiranje samo izlaz je predstavnik grupe kojoj pripada ulazni uzorak (asocijativna memorija)
5. Kodiranje: Izlaz je kodirana verzija ulaza, uz koritenje manje bitova i ouvanje to vie relevantnih informacija (za kompresiju podataka)
6. Preslikavanje znaajki (engl. feature mapping): Ako su izlazni neuroni u nekom geometrijskom rasporedu (npr. dvodimenzionalno polje) i ako je samo jedan aktivan u svakom momentu
Pregled predavanja
Hebbovo uenje bez nadzora
Samoorganizirajua mrea s jednim neuronom Ojino pravilo uenja bez nadzora
Analiza glavnih komponenti
Jednoslojna samoorganizirajua mrea s bez povratnih veza
Sangerovo pravilo uenja bez nadzora za jednoslojnu mreu
Kompetitivno uenje bez nadzora
Dr. Sven LonariNeuronske mree: Samoorganizirajue mree
Copyright by Sven Lonari
9-2
Jedan linearni neuron
Neka je N-dimenzionalni sluajni vektor s komponentama i, i = 1, , N
Samoorganizirajua mrea s jednim linearnim neuronom radi tako da se u svakom koraku generira sluajni vektor i postavi na ulaz mree
Nakon to je mrea vidjela dovoljan broj uzoraka moe na izlazu dati odgovor kako pojedini ulazni uzorak odgovara svojoj distribuciji
Najjednostavniji je sluaj s jednim linearnimneuronom
Jedan linearni neuron
Izlaz linearnog neurona dan je izrazom:
gdje je w vektor teina Kad imamo samo jedan neuron onda nam izlaz
moe biti mjera slinosti uzorka s ostalima: to je vjerojatniji odreeni ulazni vektor to mora biti vei izlaz v
Da bi to postigli, moemo koristiti Hebbov zakon uenja:
ww TTN
jjjwv ===
=1
ii vw =
Ojino pravilo uenja
Problem Hebbovog uenja je da vektor teina stalno raste i uenje nikad nije gotovo
Jedno rjeenje ovog problema naao je Oja kroz modifikaciju originalnog Hebbovog pravila
Ojino pravilo uenja bez nadzora:
)( iii vwvw =
Oja pravilo: Svojstva
Svojstva Ojinog algoritma uenja su takva da vektor teina konvergira ka vektoru w koji ima slijedea svojstva:1. |w|=12. w ima smjer maksimalnog vlastitog vektora korelacijske matrice C ulaznih vektora3. w ima smjer koji maksimizira E[v2]
Primjer Oja uenja
Slika prikazuje promjenu vektora teine za uenje prema Ojinom pravilu
Analiza glavnih komponenti
engl. principal component analysis
Analiza glavnih komponenti je poznata metoda u raspoznavanju uzoraka i statistici
Analiza glavnih komponenti poznata je u analizisignala i slika pod nazivom Karhunen-Loevetransformacija
Dr. Sven LonariNeuronske mree: Samoorganizirajue mree
Copyright by Sven Lonari
9-3
Analiza glavnih komponenti
Ideja je da se za skup N-dimenzionalnih vektora nae M
Dr. Sven LonariNeuronske mree: Samoorganizirajue mree
Copyright by Sven Lonari
9-4
Analiza glavnih komponenti:Saetak
Ako zadrimo samo prvih M
Dr. Sven LonariNeuronske mree: Samoorganizirajue mree
Copyright by Sven Lonari
9-5
Winner-takes-all mrea
Ako su teine normirane tako da je npr. |wi|=1 onda je prethodni izraz ekvivalentan izrazu:
Drugim rijeima pobjednik je neuron s teinom najbliom ulaznom vektoru
Problem je sada kako odrediti teine wi Jedan nain uenja koji se moe koristiti je
standardno pravilo kompetitivnog uenja
iik ww
Kompetitivno uenje
Vektori teina se inicijaliziraju na neke sluajne poetne iznose
Na ulaz mree se dovode ulazni vektori prema sluajnom redoslijedu
Za svaki ulazni vektor odredi se neuron pobjednik i njegove teine se modificiraju prema pravilu:
Standardno pravilo kompetitivnog uenja pomie vektor teina u smjeru ulaznog vektora
)( kjjkj ww =
Kompetitivno uenje
Primjer s tri neurona i dvodimenzionalnim vektorima
Vektori teina su prikazani crveno, a ulazni vektori crno
Lijeva slika prikazuje poetno stanje
Desna slika prikazuje stanje nakon zavretka uenja
1
2
1
2
Mjerenje kvalitete grupiranja
esto je potrebno je na neki nain izmjeriti kvalitetu grupiranja koja je postignuta uenjem bez nadzora
Standardnom pravilu za kompetitivno uenje pridruena je funkcija cijene definirana izrazom:
gdje je L broj vektora, C broj grupa, N dimenzija vektora, a M={mil} matrica pripadnosti grupama koja pokazuje da li uzorak l pripada grupi i :
= = =
=L
l
C
i
N
jij
ljil wmE
1 1 1
2)(2
1
=i
l
il
ilC
Cm
,0
,1
Mjerenje kvalitete grupiranja
Ekvivalentan zapis funkcije cijene koja pokazuje kvalitetu grupiranja je:
gdje je k(l) indeks pobjednikog neurona za l-ti ulazni uzorak l
Gornji izraz pokazuje sumu kvadrata udaljenosti svih ulaznih vektora od centara grupa kojima pripadaju
To je mjera kvalitete grupiranja jer to je taj broj manji vektori su bolje koncentrirani oko centara grupa
=
=L
llk
lE1
2
)(2
1w
Primjene kompetitivnog uenja
Primjeri primjena kompetitivnog uenja su:
Biparticija grafa Kvantizacija vektora za kompresiju
Klasifikacija vektora za prepoznavanje objekata
Dr. Sven LonariNeuronske mree: Samoorganizirajue mree
Copyright by Sven Lonari
9-6
Primjer: Biparticija grafa
Problem biparticije grafa sastoji se u podjeli grafa u dva podgrafa sa to manje grana koja ih povezuju
Problem biparticije moe se rijeiti mreom koja ima jedan binarni ulaz za svaki vor grafa i dva izlazna neurona za indikaciju particije
Ulazni skup vektora formira se tako da za svaku granu aktiviramo binarne ulaze koji odgovaraju incidentnim vorovima
Upotrebom kompetitivnog uenja mrea naui podijeliti graf u dva dijela, tako da za svaki ulaz (granu) daje odgovor kojoj particiji ta grana pripada
Primjer: Biparticija grafa
Primjer rezultata biparticije grafa neuronskom mreom
Crni vorovi pripadaju jednoj particiji a bijeli drugoj
Primjer: Kvantizacija vektora
Problem se sastoji u tome da se kategorizira dani skup vektora u M klasa i zatim svaki vektor predstavi klasom kojoj pripada
Na taj nain se postie kompresija podataka
Prenosi se ili pohranjuje samo indeks klase u kodnoj stranici a ne cijeli vektor
Kodna stranica sadri po jedan vektor predstavnik pojedine klase
Za svaki ulazni vektor trai se najblii predstavnik u smislu Euklidske udaljenosti (to vodi na Voronoiteselaciju prostora)
Voronoi teselacija prostora
Kod Voronoi teselacije prostor je podijeljen u poligonalne regije koje su odreene prototipnim vektorima
Svaka regija predstavlja skup toaka koje su najblie (u smislu Euklidskom udaljenosti) pripadnom prototipnom vektoru
Granice su okomite na linije koje povezuju centre regija
Primjer: Kvantizacija vektora
Ilustracija upotrebe kompetitivnog uenja za vektorsku kvantizaciju
nakupina ulaznih vektora (sivo)
vektori teinanakon uenja(crne toke)
Preslikavanje znaajki
engl. feature mapping
Do sada nismo obraali panju na geometrijski raspored kompetitivnih izlaznih neurona
esto je korisno rasporediti izlazne neurone u 1-D raspored ili u 2-D raspored
Tada moemo zamisliti mree gdje bliski ulazi odgovaraju bliskim izlazima odnosno ako ulazi nisu blizu onda ni izlazi ne smiju biti blizu
To je onda preslikavanje koje uva topologiju Korisno pri vizualizaciji viedimenzionalnih prostora
Dr. Sven LonariNeuronske mree: Samoorganizirajue mree
Copyright by Sven Lonari
9-7
Kohonenov algoritam
Kohonen je koristio kompetitivnu mreu i nain uenja
Kohonenov algoritam uenja podeava teine u nekoj okolini pobjednikog neurona:
gdje je (i,k) funkcija koja se smanjuje s udaljenou od pobjednikog neurona k i koja odreuje susjedstvo unutar kojeg se vri uenje
))(,( ijjij wkiw =
Primjer 2-D preslikavanja znaajki
Kohonenovo 2-D preslikavanjeznaajki iz kvadratne regije ravnine na polje od 1010 neurona
Prikazano je etiri stanja u procesu uenja, gdje je ulaz 2-D sluajni vektor
Zakljuak
Samoorganizirajue mree koriste uenje bez nadzora
Uenje bez nadzora korisno je u velikom broju aplikacija kad nije raspoloiva informacija o eljenom izlazu
Primjene ukljuuju: klasifikaciju objekata ili uzoraka, vektorsku kvantizaciju za upotrebu u kompresiji, grupiranje (clustering) za analizu podataka, preslikavanje znaajki