Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
ایػقثیقػی ؽثى01-713-11-13
ترؼپج
داوشگاي شيد بشتیداوشکدي ی مىدسی علم کامپيتر
1394زمستان احمد محمدی ازواي
http://faculties.sbu.ac.ir/~a_mahmoudi/
فزعتغاة
ایرلاتتی• ؽثىیی– ؽثى
ییپزعپتز• مایغذرایؽثىی• feedforwardالی
یرلاتتی• recurrent-الی
آسػرلاتتی–ؾىالتآسػرلاتتی–
ز• ایذزعاسا (SOM)ؽثى•LVQ
شبک عصبی2
پیؼفتار
ییهحتزای• اس«اتاسؽاذت»غأای ح :وززاعتفازیتاتفاتیرا
– Perceptron
– Hamming network
– Hopfield network
ایزر.ؽسیآؽارػااستزذیتاتاو•.ؽسذایآؽا«رلاتتییازیزی»تاترؼ
شبک عصبی3
ثا
شبک عصبی4
Neural
Network
shape texture weight
SorterSensors
Apples Oranges
weight
texture
shape
p ,
1
1
1
)(
applep
1
1
1
)(orangep
Shape sensor: 1 -- round, –1 -- elliptical.
Texture sensor: 1 -- smooth, –1 -- rough.
Weight sensor: 1 -- > 1 pound, –1 -- < 1 pound. Ming-Feng Yeh
شبک عصبی5
+
a
n
1 b
W
SR
R
p
R1n = Wp + b
a = hardlims(Wp + b)
Single-layer Perceptron/ Instar
Symmetrical Hard Limit
• a = -1, if n 0• a = +1, if n 1• MATLAB function: hardlims
شبک عصبی6
Two-Input / Single-Neuron Perceptron
)(hardlims
, 1211
2
1
na
bn
wwp
p
Wp
Wp11w
12w
1p
2p
n a
1
b
Inner product
زترارزیتززاریهیتاسریهزیسی•تسیز If Wp.وسزعت b,
thena = +1;
otherwise,a = -1.
شبک عصبی7
1p
2p
1
1
1
0n
0n
W
n = 0
)(hardlims
1
1 ,11
21
1211
na
ppbn
bww
Wp
W
Two-Input / Single-Neuron Perceptron
)3(input ldimensiona-three
R
weight
texture
shape
p
)(hardlims , nabn Wp
ؽاعاییاا
شبک عصبی8
1
1
1
)(applep
1
1
1
)(orangep 0 ,010 bW
10
1
1
1
010hardlims :
aOrange
10
1
1
1
010hardlims :
aApple
ؽاعاییاا
زلیكتقیوتاؽسفرتیترزیازحا•چیغت؟حرازززیغز
شبک عصبی9
orange
10
1
1
1
010hardlimsa
weight
texture
shape
p
1
1
1
1
1
1
)(orangep
ی• تسیتزایHammingؽثى ایزعت ززییزاز.ؽسغزح
ییزالیجززارز• :زرؽثىییه– (FeedForward)الی
یز– (Recurrent)الی
ییه• الی.تقیییززرزیتوساتززارؽاعشزیهتزاعت–
یز• الییزیا– پایایپذیزز،تایهذزجیrecurrentلتیالی
یرلاتتیاعت .غیزففزتالییاس،زرالغایالی،الی
شبک عصبی11
Hamming Network
Recurrent Network:
ایاعتوزرآ یرزیfeedbackؽثى جززارز؛زرآتزذیذزجیاتالییفؼیاعتفازیؽز.تقغتس یلثتػارزیزح .ذزجیزح
تسیزر• تسیسفیعثم زررزیازعتSاعتتفاتوالط.یزر• غتسؼSوالطاییؽثى
.(اعتؾرـوالطززوش)جز(Prototype)ؽاعتززارSیؽزفزك•
.زارز
یتتززاری:رزی• .اعتR×1اساس
شبک عصبی12
1( 1) 2( 1) ( 1), ,........,R R s RP P P تززارایؽاع
1,.....,T
RX x x
Hamming Network
فاف
تسیزر• ایذؽ وؼیاریتایسرلاتتیؽثىز یتیا تاؽس،ؽاعتززاراسرزیفافسیزتزتیةتتساؼیارع.ؽزتؼزیف:غتس
ی– :الیسعیفاف
ضزبتزتشريتز:زاذیضزب– ؼایتزاذیحافتز یتزو .اعتزتززارسای
ی– اییتؼسازتاتزاتز:یفاف تاواعتؤف.زارستفات
شبک عصبی13
2
( , ) [ ( ) ( )]k
d k k X P X P
تسی• SتارتفوالطSزررزیاززعتؽاعتززاریؽاعتززارای– اساس .اعترزیتززار
اساسوفرتیزر• اثاؽس اساسراآ (Normalize)یوی.
شبک عصبی14
سف
ii j
i
XX P
X
اراتفرتماطری• پظاسزاالیشوزز،یتازاز.زرظززفت(اتزوز)حیظیهزایز
1 1 1. T
S S R R SY W X B
Hamming Network
شبک عصبی15
Hamming Network
a1
S1
n1
S1+
W1
SR
R
p
R1
S
1 b1
S1
W2
SS
S
D
n2(t+1)S1 S1
a2(t+1)
S1
a2(t)
Feedforward Layer Recurrent Layer
n1 = W1p + b1
a1 = purepurelin(n1)
n2(t+1) = W2a2(t)
a2(t+1) = posposlin[n2(t+1)]
a2(0) = a1
ی• یهالی
حاعثرزیؽاعتززارایتیثغتی•.یؽس
ؽاعتززارایاساعتفازتاW1اتزیظ•.یؽزمسارزی
یتراتایاط• ییزیظززر(R)ثثتاساس.زززفیذزجیو
شبک عصبی16
Feedforward Layer
a1
S1
n1
S1+
W1
SR
R
p
R1
S
1 b1
S1
n1 = W1p + b1
a1 = purepurelin(n1)
connection matrix W1
Hamming Network
ییچ(-11)زرفرتیورزیازمساری تاؽس،تیضزبزاذیفافارتثاعیجزذاسزاؽت؟
شبک عصبی17
1 1 1. T
S S R R SY W X B
11
. ...
. ..
T
TRS
x RP
Y
x RP
1 01. cos.
..
..
. cos.
T
Ts sS
P RP R
Y
P RP R
xx
xx
[ , ]k kP x
Hamming Network
شبک عصبی18
Recurrent Layer (MaxNet)
n2(t+1) = W2a2(t)
a2(t+1) = posposlin[n2(t+1)]
a2(0) = a1
W2
SS
S
D
n2(t+1)S1 S1
a2(t+1)
S1a2(t)
a1
یا• الیایزرواعت”Competitive“رلاتتیالیا .یپززاسسرلاتتتتاتزستؼییتزایر
یهتا.زارزرامسارتیؾتزیواعتریتزس•.ؽسذاستزسر
Hamming Network
Biologically plusibility
شبک عصبی19
1(0)sO y
1 2( 1) ( . ( ))sO n f w O n
0( )
0 .
x xf x
OW
2
( , )
1 1
-1i j
i jW
i j s
2
( , )
1 . .
. 1 . .
. . 1 .
. . 1
i jW
1
21
1
1
( ) ( )( )1 . .
.. 1 . . .
.. . 1 . .
( ). . 1( ) ( )
s
i
i
ss
s i
i
O n O nO n
O nO n O n
تزسkچتمیاساعتتشريتزاسkفزكویذزجی اثزتضؼیفیو.اسغیزففزتالیذاسkتزتمیتیؾتزاعتزراتاتایػقز
Lateral Inhibition: excites itself and inhibits
all the other neurons
شبک عصبی20
1 1
1 1
-ε
-ε-ε
-ε
-ε -ε
A1
Ai Aj
Am
MAXNET
Lippmann, R. P. (1987). "An introduction to computing with neural
nets." ASSP Magazine, IEEE 4(2): 4-22.
Excitatory Link
Inhibtory Link
تفاتیازػقزیوتشريوچهغتس•.زرایفرتافشایؼییاتس
شبک عصبی21
2
2 2 1
2
2
1 ( ) 1, ( ) , and
1 1( )
a tt
Sa t
W a
)()(
)()(poslin)(poslin)1(
2
1
2
2
2
2
2
1222
tata
tatatt
aWa
15.0
5.015.0let ,
2
4)0(
1
1
1
If 212 Waap
0
3
0
3poslin
2
4
1
1poslin)1(
21
21
2a
0
3
5.1
3poslin
0
3
1
1poslin)2(
21
21
2a
Recurrent Layerا تؼسازر
Hamming Network
ثا
شبک عصبی22
3
3 ,
111
1111
2
11b
p
pW
T
T
3
3
3
3
2
1
2
1111
pp
ppp
p
pbpWa
T
T
T
T
بایاسی ضرب داخلی دي بردار ب عالي
2
4
3
3
1
1
1
111
111
1
1
1111 bpWap
دي بردار ديديیی برابر است با ميىگ ميان ی فاصلتعذاد عىاصری ک در مقایس با یکذیگر متفايتىذ
Output = 2 (R – Hamming distance)
a11 = 2 (3 – 1) = 4, a1
2 = 2 (3 – 2) = 2
بوالگوریتمگوییمشودیکسانتکراردونتیجویىنگامیکو .استرسیدهىمگرایی
ثا
زریهفضایعتؼسیتززارایؽاعاسسیز•:تاؽسxاعترزیاز
:اتتساتایاطرازرظزییزی•:تززاررزیرازایشیوی•
شبک عصبی23
1 1 1 1T
p 2 1 1 1T
p
2 3 6T
x
13
3
b
2 2
1 2 3p p 2
49x
2 493newx
a
2 4 9 36newx
a a a
16a
یثا ازا
شبک عصبی24
2 4 9 36newx
a a a
2 3 6, ,newx
a a a
0.5,0.71, 1.5newx
1 1 1
0.5 0.51 1 1 3 1.29
0.71 0.711 1 1 3 2.71
1.5 1.5
x x
a W b
21 1
, 1 1S
W
1(0)sO y
1 2( 1) ( . ( ))sO n f w O n
یثا ازا
زاییعزػتؽززفتظززروچهεاز•.یآیسپایی
شبک عصبی25
1(0)sO y
1 2( 1) ( . ( ))sO n f w O n
1 2
1 0.5 1.29 0(1) ( . (0)) ( ) ( )
0.5 1 2.71 2.07sO f w O f f
21 1
, 1 1S
W
Winner-Take-All(WTA)
یرلاتتی الی
شبک عصبی26
)(ncompeta
S
T
S
T
T
L
L
L
cos
cos
cos
2
2
2
1
2
2
1
p
w
w
w
Wpn
ii
iiai
,0
,1
}...,,,max{ 21 Sinnnn
A recurrent competitive layer
W11
WRS
W1S
WR1
.
.
.
.
p1
pR
p
y1
ys
ؽثىرلاتتی
آسػرلاتتی
اتؼسازتا• .اعتؾرـزعتاسؽاعتززارای• .اؽاذت
ااتزیظ– .یؽزاترابتقازفیس
:سف•تی(ؽاعتززارای)ساتزیظیافت–
تقازفیفرتتWاتزیظعغززیتا•.وززاتراب
یترزیا– R×1اساس
اتؼساز– یتز Sاساس
شبک عصبی27
Competitive Learning
...(ازا)آسػرلاتتی
:زاحاریت1)Wiیؽساترابتقازفیعرتا..یؽسزایشمساریهتی(2اػاؽثىترزییهتىزارززر(3
.یؽز
یذزجیزر(4 :یؽزحاعثسیزراتغ
شبک عصبی28
( ) 1,.....,T
n RP P P
( )( ) ( ) ( ) ( ) ( ).cos
1,2,....,
n
T
i n i n n i n i ny P w P w
i S
...(ازا)آسػرلاتتی
تتاؽسذزجیمسارتیؾتزیزارایواحسی(5احساتایؽزاتراب«تزس»ػا
ی .یؽزذاس*iؽاری(6 اتغثیكزح :س
تىزارتؼسیرزیاػا(7تؼست3زح
شبک عصبی29
*i iy y
*( 1) *( ) ( ) *( )[ ]i n i n n i nw w P w
* ( 1)i nw
* ( )i nw
( )nP
competitive learning rule(Kohonen rule)
...(ازا)آسػرلاتتی
شبک عصبی30
*( 1) *( ) ( ) *( )[ ]i n i n n i nw w P w
*( 1) *( ) ( )1i n i n nw w P
*( 1)i nw
*( )i nw
( )nP
ثا
شبک عصبی31
1
0.19
0.98P
2
0.19
0.98P
3
0.98
0.19P
4
0.98
0.19P
5
0.58
0.81P
6
0.81
0.58P
P1 P2
P3
P4
P6
P5
1
0.7
0.7W
2
0.7
0.7W
3
1
0W
کىيما را تصادفی اوتخاب میمشخص است ک س گري داریم يزن
1
2
3
T
T
T
W
W W
W
0.7 0.7
0.7 0.7
1 0
W
یثا ازا
P2رزی•.راتؽثىاػایوی
:ساحستزسراترسیایی•
شبک عصبی32
2
0.7 0.7 0.550.19
. 0.7 0.7 0.80.98
1 0 0.1
W P
ی اعت2احستزسؽار
2( 1) 2( ) 2 2( )[ ]n n nw w P w
0.7 0.19 0.7 0.45 0.5[ ]
0.7 0.98 0.7 0.84
0.7 0.7
0.45 0.84
1 0
یثا ازا
تزساحسحغةتزوززاػاراتؼسیرزی•ا .یویرستراس
ذاسسیزؽىاسؽاعتززارایایتزر•:ؽس
شبک عصبی33
P1 P2
P3
P4
P6
P5
W3
W2
W1
ؾىالتیازیزیرلاتتی
ηآسػضزیةاتراب•–0→ηرعیساسپظییوسوسرازاییرس
.یاسپایسارحاتآزرؽاع،تززاریهت–ηاپایسارییعزیغزاییؽز،اترابتشري
.زارززرتشريراηاتتساای،حسزترعیستزایؼال–
رازلتافشایؼتزاییییزس،ظز واؼآ.یزس
ؽس،رستاررزیتززارایتاؽس،یاسوفرتیزر•.زاؽتراسواراییؽیای
شبک عصبی34
...(ازا)ؾىالتیازیزیرلاتتی
یىسیز،تؽاعتززارایتزشزیهفرتزر•پذیزجساعاسی .تزراساىا
ارزیىسیزحزیتؽاعتززارایاعتى–.ؽس
.تزذاساپایسارآسػفزآیسحاتایزر–
شبک عصبی35
رزز
ززر•ؽسراستزسیچاتاؽسزرذییریاز–
رراریچی.زیسراسآسػتیجزر.ییسزز
واعتایؾىایتزغثتزایرای–ایؽاظوؽززفتپیؼزرعاسواری ر
تززتارؽستزستزایتزس .ؽزوایوارتاافشزمسارفیتتایاط–
پذیزاعت ااىا ایؽی.آ.ذاسیؽز«جسا»
شبک عصبی36
conscience
Dead neuron
...(ازا)ؾىالتیازیزیرلاتتی
زرفرتیوتؼسازوالطاؾرـثاؽس،ای•.ؽیتوارراسآس
لاتیتجساعاسیوالطای• غیزحسبایؽی.راسارز(ؽااحیغغت)یاغغت
شبک عصبی37
یرلاتتی (ثا)ؽثى
شبک عصبی38
clear all;
P=rand([2 100]);
net=competlayer(3);
% net = newc([0 1;0 1],3); obsoleted in R2010b NNET 7.0.
net.trainParam.epochs=500;
net = train(net,P);
Y = sim(net,P);
Yc = vec2ind(Y);
plotvec(P,Yc);
title('Input Vectors');
xlabel('P(1)');
ylabel('P(2)');
view(net);
competlayer(numClasses,kohonenLR,conscienceLR);
یرلاتتی (ثا)ؽثى
شبک عصبی40
% Create P.
X = [0 1; 0 1]; % Cluster centers to be in these bounds.
clusters = 8; % This many clusters.
points = 10; % Number of points in each cluster.
std_dev = 0.05; % Standard deviation of each cluster.
P = nngenc(X,clusters,points,std_dev);
% Plot P.
plot(P(1,:),P(2,:),'+r');
title('Input Vectors');
xlabel('p(1)');
ylabel('p(2)');
net = newc([0 1;0 1],8,.1);
w = net.IW{1};
plot(P(1,:),P(2,:),'+r');
hold on;
circles = plot(w(:,1),w(:,2),'ob');
net.trainParam.epochs =10;
net = train(net,P);
w = net.IW{1};
delete(circles);
plot(w(:,1),w(:,2),'ob');
p = [0; 0.2];
a = sim(net,p)
شبک عصبی43
Compet. Layers in Biology
ji
jiwij
if,
if,1
0if,
0if,1
ij
ij
ijd
dw
ی یزؽثى ایالی افحثتیؾس،س زررزعاذتاررhammingتفرتسیزاعت:
Each neuron reinforces itself (center), while
inhibiting all other neurons (surround).
تابع الک مکسیکی
یتحزیهتضؼیفزسزلیمیجز ایتیصیىی،تیاحی زرعیغت.سارز
On-center/off-surround
یاستتزتمیسفتیتاػیت• ػقثیؽثىیتجزاغا، kohonenتعظSOMارائ
.ؽسایتزس،رتزافشؽثىایزر• ر
ی .یتیسآسػآغای
شبک عصبی44
SOM (SOFM)
Marc M. Van Hulle
تؽثىتپصیآتثغتغاییتؼزیف•.اعتپذیزاىارتفعزقتؼسییه–(تؼسیزؾثه)زتؼسی–تؼسیع–
ایااعاسؽثىای• .اعتتیظارتؽثى
شبک عصبی45
SOM (SOFM)
unsupervised
.تػیسف،یافتفایؾتزناعت•
شبک عصبی46
Input Pattern 2
Input Pattern 3
SOM (SOFM)
Jing Li Mail: [email protected]
شبک عصبی47
SOM – Result Example
‘Poverty map’ based on 39 indicators from World Bank statistics (1992)
Jing Li Mail: [email protected]
[Teuvo Kohonen 2001] Self-Organizing Maps; Springer;
Animal names and their attributes
birds
peaceful
hunters
is
has
likes
to
Dove Hen Duck Goose Owl Hawk Eagle Fox Dog Wolf Cat Tiger Lion Horse Zebra Cow
Small 1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 0 Medium 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0
Big 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
2 legs 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 4 legs 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 Hair 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
Hooves 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 Mane 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 0
Feathers 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0
Hunt 0 0 0 0 1 1 1 1 0 1 1 1 1 0 0 0 Run 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 0 Fly 1 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0
Swim 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0
SOM – Result Example
Jing Li Mail: [email protected]
تپصیزتؼسی
یزر• ایتزفزكزتؼسیتپصیتاSOMؽثىااس(Lattice)ؾثىیواعت تر
ای .یزسپاعدؽثىترزیعیا
شبک عصبی49
2d array of neurons
Set of input signals
Weights
x1 x2 x3 xn...
wj1 wj2 wj3 wjn
jj
Jing Li Mail: [email protected]
ایرزاعتفاززر SOMا
یاتراباسپظ• اای فرتاعس:یپذیزز
(competition)رلاتت–
(cooperation)ىاری–
ا– (synaptic adaptation)ترسرعایس
شبک عصبی51
تپصیزتؼسی
.یؽزاترابؾثهاستزستززار•تاغایاؼزاتؽساترابر•
.یزززفؼاؼییضزیةضزیةیشاتاؽیشزیهتزتزسرتچز•
.تزذاستاالتزآسػ
شبک عصبی52
2d array of neurons
Set of input signals
Weights
x1 x2 x3 xn...
wj1 wj2 wj3 wjn
jj
Jing Li Mail: [email protected]
غاییزی،• یػثارتسیزؾا ازغاییراتعی
تز ایو اییهرزرفاف تایغای.زرظززفتیؽسdیاغای
شبک عصبی53
},{)( ddjdN iji
ایچیزر• :ساریتیؾتزالیزؽثىی– رزیالیی– ذزجیالی
تاراذزذزجیاحسز• اییتتج وس.یزسؾااعتتقتسافرتایزرذزجیزؽاذـفتیتا–
ایؼ .اعتس
ااتتسا• .یویاترابتقازفیفرتتراس
شبک عصبی54
SOM (SOFM)
اریتیازیزی
ای• اس اترابتقازفیفرتتؽاذ.یؽس
زرNغاییؽؼاعیهذزجیاحسزتزای•.یؽززفتظز
یاتززارززاذیضزبیتارافافؼیار•ی .زفتظززرالیسعیفاف
:یؽزاترابتزساحس•شبک عصبی
55
, ( ) 1 1i j nW i R j S یرزیاس jتiسؽاذ
S ا تؼسازز
T
jXW
2
( ) , ( )
1
( )
R
j i n i j n
i
d X W
Max
Min
*j
SOM (SOFM)
اریتیازیزی
ایاحستزس• غایاؼترسرعایس
یشزرایحاتتغیزاعتتزایηزخآسػ•ایشزیهتزاتتزس،مسارتیؾتزی غای
.زارز.اثتزخآسػتتسریجواؼییاتس•
شبک عصبی56
( 1) ( ) ( ) ( )[ ]ij n ij n i n ij nw w x w
( )for j nj N
تغیزاعتززرؽؼاعغاییؼالزر
1)1()(0 nn
SOM (SOFM)
تاتغغایی.یىیاستزیتاتغغاییاعیاعت•
–di,jیزرراؾایزساز یهlatticeفاف:تؼسیتاؽس
– | j - i |
:زتؼسیتاؽسlatticeاز–– || rj - ri ||
شبک عصبی57
2
,2, exp
2j i
j i x
dh
SOM (SOFM)
effective width
تاتغغاییتاتغغاییاسؽؼاعغاییتشريؽزع•
وستتسریجتزوشتاریاحستزستالی.یاس
شبک عصبی58
0
0.5
1
-10 -8 -6 -4 -2 0 2 4 6 8 10
00.5
1
Time
Time
2
,2, exp
2j i
j i x
dh
تاتغغایی
رسغایاتؼساز• .یوستغییزساتایاdijتاؽستزسiراز• jرفاف
.اعت(i)تزسراس
رااعیتاتغؼیاراحزافظر،ایتزای•.یؽززفتظززرتغیز
شبک عصبی59
2
,2, ( ) exp
2j i
j i
dh x
01
( ) exp =0,1,2,...nn n
2
,2, ( )( ) exp 0,1,2,...
2 ( )j i
j i x
dh n n
n
ا ترسرعایس
:تزعثكراتظتزعتآسذایزاؽت•
ظززرتغیزاییفرتتیشرایازیزیزخ•.یؽززفت
شبک عصبی60
( )( 1) ( ) ( ) ( ) - ( )j j ij x jw n w n n h n x w n
02
( ) exp nn
ا ...(ازا)ترسرعایس
شبک عصبی61
01
( ) exp 0,1,2,...nn n
2
,2, ( )( ) exp 0,1,2,...
2 ( )j i
j i x
dh n n
n
02
( ) exp 0,1,2,...nn n
( )( 1) ( ) ( ) ( ) - ( )j j ij x jw n w n n h n x w n
ا ...(ازا)ترسرعایس
شبک عصبی62
1
0
1000
log
ایزرتجزتیفرتتη0، σ0 ، τ1τ2مازیز سیزتاس:تزذاس
0 0.1
اما یابذمی اکش تذریجی مقذار ایهبد خاذ 0.01 از باالتر وایتا
2 1000
ؽؼاعتاتزاتزیؽززفتظززرσ0تزایومساری•.اعتؾثه
اعتچیساتاتغتمسارایتاتزای• .ر:ییزسظززرراسیزمسارτ1تزای•
فاساییازیزیایتاؽستزسوتززارزSOMزر• ذزس
تظیغایی،غثتتغایاؼ.یؽس
سف–.یؽزؾرـاحساجغزافیاییىا•یتغاییؽؼاع• عپظؽزعاحساتایاساس
.یذارزواؼتر.یؽززفتظززر1000حسزتىزاراتؼساز•.یؽزوچهتزوچهηتایتىزارایعیزر•
شبک عصبی63
Orderingایفز.ارزجشییاتیؽز ت.راؾایزسCoarseسرتیا
Ordering
...(ازا)فاساییازیزیسف•
تسیجشییات• اتمغی .یؽزؾرـز.ؽسذاسحسزتزساحسذزتغاییؽؼاع•.اعتذزجیاحسایتؼسازتزاتز500تىزاراتؼسازؼال•
اتؼساز– .زارزایتز
.یؽززفتظززر0.01حسزروآسػزخ•ااحسزجشییاتحاتایزر• .زارزایتغای
:ىت•.یؽساترابوچىیمازیزایستززارای–یتاؽس،پزاوسذییاز– .یآیسپیؼززاحسغأ
شبک عصبی64
Convergence(tuning)
ظززرتشريغاییؽؼاعاتتسازروؽسفت•تتجتافرتایزر.یؽززفت
وسآسػغتس،زریزوسیازیپاراتزای.ؽسذاس
غاییؽؼاع،یؽزپیؾازؽیایزر•اااؽز،زفتظززرثاتت زرتسریجتر.ؽسزذیآسػفزآیس
شبک عصبی67
Renormalized SOM
Luttrell, S. (1989). "Hierarchical vector quantisation (image
compression)." Communications, Speech and Vision, IEE
Proceedings I 136(6): 405-413.
SOMجغتسی
ای• :ؽزاجایتایسسیزا
(initialization)ایمسارزی(1ا• تایؽس،اترابتقازفیفرتتس
اواعتایحسزیت .تاؽستفاتتایسسیؽساترابمسارایاعةتز زاؽتوچىیاساس
تاؽس،تزایسػاترزیااسیتاچی•
.جغت
تززاری(2 (sampling).یؽزاػاؽثىترزیاییه•
شبک عصبی68
...(ازا)SOMجغتسی
similarity)ؽثاتتغثیك(3 matching).ؽزاترابتزسر•
رسرعای(4 (updating)تتزسرؽس،غزحآسػلاعثك•
ایؼ .یتیسآسػغای
5) تاؽس،زفتعزاسزاحزااس تؽثى.تزعسپایساری
شبک عصبی69
تسیواراوتز ذؽ
ایرزی21•.ذؽزرظززفتؽساعت25•
واؼزخیازیزیتفرت•(0.01تا0.6اس)ذغی
اعتفازاسعتپصیرتف•
زبان ماشيه70
SOMزرMatlab
:تپصیایزتؼسیرزاعتفازػثارتساس•(Gridtop)غتغیی•(hextop)ؽؼضؼی•((randtopتقازفی•
زبان ماشيه76
pos = gridtop(16,12);
plotsom(pos);
pos = gridtop(2,3);
تپصیایزتؼسیرزاعتفاز
شبک عصبی77
pos = hextop(8,10);
plotsom(pos);
pos = randtop(16,12);
plotsom(pos);
ثا
شبک عصبی79
angles = 0:0.5*pi/99:0.5*pi;
P1 = [sin(angles); cos(angles)];
P2 = [-sin(angles); cos(angles)];
P=[P1,2.*P2]
plot(P(1,:),P(2,:),'+r')
net=selforgmap([20]);
%net = newsom([0 1;0 1],[20]);
net.trainParam.epochs = 10;
net = train(net,P);
figure;
plotsom(net.iw{1,1},net.layers{1}.distances)
p = [1;0];
a = sim(net,p)
selforgmap(dimensions,coverSteps,initNeighbor,topologyFcn,distanceFcn)
ثا
شبک عصبی81
figure;
plot(P(1,:),P(2,:),'+b')
net = newsom([0 1; 0 1],[5 5],'gridtop');
hold on;
plotsom(net.iw{1,1},net.layers{1}.distances)
net.trainParam.epochs = 10;
net = train(net,P);
figure;
plotsom(net.iw{1,1},net.layers{1}.distances)
p = [0.5;0.3];
a = sim(net,p)
SOMیضیای
ایتزعس،پایاتآسػایاسپظ• تسایآاریذاؿحایػیتآسزعت زاز.تزذاسرزی
.یزسؾارا«تسیغچای»ػیت•
شبک عصبی85
U-matrix representation of the Self-Organizing Map
شبک عصبی87
The Self-Organizing Desktop:
An Unsupervised Content Classification System for Efficient
Document Browsing
شبک عصبی89
Learning Vector Quantization
ییهؽثىای• یززتواعتتزویثیؽثى ؽیsupervisedunsupervisedیتیسآسػ.
یرلاتتی الی
شبک عصبی90
LVQ
)( 11
1
1
2
1
1
111
1
ncompeta
pw
pw
pw
npw
S
iin
اذاررچسیایهتوالطزالی،رغتیزر•.یؽز
اتؼساز• تؼسازتحسالتایسالیایزرر.تاؽسوالطا
یزر• .زارزجزریهوالط،زاسایتز،الیاتؼساز• .تزاتزعتوالطاتؼسازتار
Ming-Feng Yeh
سیزوالطا
یازوالطتیهعزی• تزتیةزرالی تسی.تمغییؽز«سیزوالط»یاؾرـیوسوذزجیت• یالی تزس
.وساسیزوالطتؼكزارز
شبک عصبی91
Dynamics and generalization of LVQ , Birmingham , 09-12- 05
...(ازا)سیزوالطا
یزر• تؽستزسوالطاسیزوایتؼسیالی.یؽزتزرعیزارز،تؼكوالطوسا
یتزذالفتزتیةتسی• حاتایزررلاتتیؽثىتزوالطاشرای لاتیتؽسذاسپیچیس.زاؽتذاسراغیزحسبوالطایجساعاسی
شبک عصبی92
یذغی الی
شبک عصبی93
12
kiw
01000
10010
001012
W
Subclasses 1 & 3 belong to class 1
Subclasses 2 & 5 belong to class 2
Subclass 4 belongs to class 3
تیازاتزیظعغزای•اوالطا زعت تیا
.غتسسیزوالطایهػقزیهفمظعتززر•
.زاؽتذای
.است kبخشی از الکس i زیر الکس
یآسػ ؽی
.یؽززااظزتارلاتتیآسػ•ای• والطزتؼالیؽس،ؾرـW2س
.یؽززازغثتیىغایوالطسیزتؼسازای• یس :یتیسآسػسیزفرتتاالی
یراز– :تاؽسؽستزسزرعتیتاالی.یؽززازحزوت(p)رزیتززارعتت•
:ز–.یؽززررزیتززاراس•
شبک عصبی94
)1()()1()( 111 qqqqiii
wpww 2if 1k ka t
)1()()1()( 111 qqqqiii
wpww 2if k ka t
یآسػ ...(ازا)ؽی
شبک عصبی95
تریه بردار الگ اوتخاب شدوسدیک
شوذبردارای الگ مقذاردی ايلي می
شدیک يريدی اعمال می
در صرت درست بدن الگ ب بردار يريدی وسدیک شد
در صرتی ک درست ويست از يريدی دير شد
piecewise linear decision boundaries
(t)wξ(t)w1tw *(t)
w
** η
N-dim.feature space
Dynamics and generalization of LVQ , Birmingham , 09-12- 05
ثا
شبک عصبی96
1
1
1
1
1
1
1
1
T0121 tt
T1043 tt
1100
00112
W
249.0
969.0
840.0
543.0
094.0
997.0
954.0
456.0
فزآیسآسػ-ثا
شبک عصبی97
0
1
0
0
03.2
09.1
11.2
40.2
)(
1
4
1
3
1
2
1
1
11compet
pw
pw
pw
pw
competncompeta
3
122
1
0
0
1
0
0
1100
0011taWa
453.0
998.0)0(5.0)0()1( 1
33
1
3
1
3 wpww
تزذیؾىالتاغ
یاستغیاریارززرLVQوایتا• حػسذاساجحسزیتاییتایآیس،تزغائ
:تززاؽت«ززر»یشحاتایزراعتى–
«جساىایش»اسیتایشجاایزرتاؽی،.زاعتفاز
ایتریهاعتالسارزتزذیزر– زیزاحیاسذرتجثراعتىتیایزروسحزوت
ای تتجتا.سارزتؼكاوالطتوتاؽساحیزریافتراسػثراىاوالطآتعظزفغ
.زیسراسآسػزرعتیتتیج
شبک عصبی99
تزذیؾىالتاغ
تkohonenآسػلاؾىایرفغتزای•ی :یتایستثزسیزؽی
ؽساجازرعتیتوالطتسیوفرتیزر•.یؽزاجالثاسآسػتاؽس،
یاسؽساترابسیزوالطز،• آسؽییتوالطشزیهتزیؽسزر آسؽیLVQ2حافاریت.ؽسذاسشزیهآت.زارزا
شبک عصبی100
LVQ2
ثا
شبک عصبی101
P = [-3 -2 -2 0 0 0 0 +2 +2 +3;
0 +1 -1 +2 +1 -1 -2 +1 -1 0];
C = [1 1 1 2 2 2 2 1 1 1];
T = ind2vec(C);
colormap(hsv);
plotvec(P,C)
title('Input Vectors');
xlabel('P(1)');
ylabel('P(2)');
net = newlvq(minmax(P),4,[.6 .4],0.1);
hold on
W1 = net.IW{1};
plot(W1(1,1),W1(1,2),'ow')
title('Input/Weight Vectors');
xlabel('P(1), W(1)');
ylabel('P(2), W(3)');
lvqnet(hiddenSize,lvqLR,lvqLF)