Escolar Documentos
Profissional Documentos
Cultura Documentos
SOM
1 / 29
1 Estrutura da Rede
w1
y2
w2
Camada de Kohonen
wm
Unidimensional
u0
w1
w2
w6
INPUT LAYER
Unidimensional
P neurnios em linha
x
Bidimensional
Arranjo de P x Q neurnios
ym
y0
RNs no sup
SOM
2 / 29
Bidimensional
w11
w12
w16 w56
m = |i j|
RNs no sup
SOM
3 / 29
1.1 - Distncias
Distncia entre entradas e/ou sinapses no espao de entrada
w
w11
w12
w16 w56
x
w = [2, 2]
x = [3, 1]
r r
d ( x , w) =
(3 2)2 + (1 2)2
= 2
m=3
m(N2,N5) = |2 5| = 3
Mapa bi-dimensional
m( N 22 N 64 ) =
(2 6)2 + (2 4)2
= 20
RNs no sup
SOM
4 / 29
2 Treinamento
2.1 Treinamento de Kohonen - Objetivo
INPUT LAYER
Objetivo:
Sinapses wi e wj prximas entre si
(proximidade medida no espao de entrada, d(|wi , wj) = |wi wj| pequeno)
alimentam neurnios Ni e Nj prximos entre si
(proximidade medida no mapa de Kohonen, m(Ni , Nj) = |i j| pequeno)
isto :
Similaridade nas sinapses (os padres levantados) corresponde
Similaridade na posio dos respectivos neurnios no mapa, e vice-versa.
RNs no sup
SOM
5 / 29
Fase de Convergncia
r r
i = arg Min x w j
j
RNs no sup
SOM
6 / 29
wi
.2
.5
.8
.9
.1
.5
.6
.2
r r
r r
x w7 < x w j j 7
note que a competio ocorre na camada de entrada
(e no na chamada camada competitiva !)
2.3.2 - Ao 2- Cooperao
RNs no sup
SOM
7 / 29
mi2
h(mi ) = exp( 2 )
2
N2
mij
RNs no sup
SOM
8 / 29
Mapa bidimensional, P = Q = 10
Vencedor: N5,5
3
m 2j
h j (n) = exp
2 2 (n)
m 2j = N j N vencedor
= (n) = 0 exp
2
2
0.2 P + Q para _ mapa _ bi dim ensional
h =
1000
ln 0
RNs no sup
SOM
9 / 29
( 0) = 0
z (0) = exp(
1
2
(n + 1) 1
2
0
m 2j = N j N vencedor
1000
ln 0
1
( n)
h
z (n + 1) z (n) 1
2
h ( n)
h =
h j (n ) = [z (n)]
m 2ji
Treinamento
Ao longo de todo o treinamento a rede aprende, isto , tem suas sinapses modificadas
em direo a uma entrada. A velocidade do treinamento necessita variar, deve ser mais
rpida na fase de auto-organizao, que requer maiores mudanas, e mais lenta na de
convergncia, para permitir que uma boa sintonia fina, i.e., o minimante da funo
objetivo, seja alcanado com preciso.
RNs no sup
SOM
10 / 29
r
r
r r
w j ( n + 1) = w j ( n ) + { x w j ( n )}
Valor inicial e taxa de decaimento do passo
Durante o treinamento o passo deve iniciar no entorno de 0,1 decair aproximadamente
10 vezes em 1000 passos de treinamento (na fase de auto-organizao do mapa, os
primeiros 1000 passos aproximadamente, .1 .01 , o que implica em ~ 500).
Podemos ento utilizar:
(n) = 0 exp
ou de forma recursiva
(0) = .1
0 = .1
500
(n + 1) = .998 (n)
r
r
r r
w j ( n + 1) = w j (n) + ( n) h j (n){ x w j (n)}
(n) = 0 exp
m 2j
h j (n) = exp
2 2 (n)
0 = .1
= 500
m 2j = N j N vencedor
(n) = 0 exp
h =
1000
ln 0
RNs no sup
SOM
11 / 29
(0) = .1
(n + 1) = .998 (n)
( 0) = 0
z (0) = exp(
(n + 1) = 1
)
2
m 2j = N j N vencedor
1000
ln 0
1
( n)
h
z (n + 1) = z ( n) 1 +
2
(
n
)
2 0
h =
h j (n ) = [z ( n)]
m 2j
entrada x(n)
Passo (ao) 1 - verificar o neurnio Ni ganhador, u i > u j j i
a competio feita no domnio de entrada (no no mapa !)
RNs no sup
SOM
12 / 29
r
r
r r
w j ( n + 1) = w j ( n) + ( n) h j ( n){ x w j ( n)}
- vo reduzindo
- vo reduzindo
x unidimensional
w1
y2
w2
x
havamos iniciado com
0 = 0 .2 P = 1 .6
0 = 0 .1
wm
1000
h =
2000
ln 0
ym
u0
= 1000
y0
wi (100)=
.2
.5
.8
.9
.1
.5
.6
.2
RNs no sup
SOM
13 / 29
clculos auxiliares:
para n=100
n
100
= 1.6 exp
= 1.59
2000
(100) = 0 exp
m 2j
1
= exp
h j (100) = exp
2 (1.59) 2
2 2 (n)
m 2j
= (.82)
m 2j
mj = 0
1.0
.82
.45
=
.16
.04
mj =1
mj = 2
mj = 3
mj = 4
mj 5
n
100
= 0.1exp
= 0.09
1000
(100) = 0 exp
Ni, i =
wi (100)=
.2
.5
.8
.9
.1
.5
.6
.2
ui = | x wi |2
u7 > u j j = 1,2,3,4,5,6,8
N7 vencedor
mi
hi
.45
.82
.82
.04 .16
RNs no sup
SOM
14 / 29
r
r
r r
w j (101) = w j (100 ) + (100 ) h j (100 ){ x w j ( n)}
Ni
wi antigo
.2
.5
.8
.9
.1
.5
.6
.2
wi novo
.2
.5
.795
.864
.323
.611
.645
.532
Note que:
- todas as sinapses alteradas se aproximaram da entrada x = .65 e entre si.
- sinapses prximas do neurnio vencedor so mais afetadas
- sinapses (e estruturas) distantes praticamente no se alteram
r
r
r
w j ( n, k ) = ( n) h j ( n){ xk w j ( n)}
r
r
r
w j ( n + 1) = w j ( n) + w j ( n)
r
1
w j ( n ) = ( n ) h j ( n )
K
{x
K
k =1
r
k
r
w j ( n)}
RNs no sup
SOM
3 Exemplos / Aplicaes
3.1 Evoluo do mapa:
Entrada
Mapa:
15 / 29
RNs no sup
SOM
16 / 29
RNs no sup
SOM
17 / 29
RNs no sup
SOM
18 / 29
r
x falco
Mapa de Kohonen
mamferos x aves
predadores x no
pequenos x grandes
...
SOM
4 - Dimensionando o Mapa
P x Q neurnios
(P Q)
Definio da Granularidade
19 / 29
Q neurnios
RNs no sup
2r0
(no mapa)
No espao de entrada:
P neurnios
p(d)
r r
d = xi x j
p(d)
= Max d
e a direo em que este dimetro ocorre
RNs no sup
SOM
r r
r
xi xi
d = r r
xi xi
onde
20 / 29
r r
r r
xi , xi = arg Max xi xi
Por outro lado, se o escalamento foi feito de modo a tornar o valor rms (desvio
padro) do rudo em cada direo unitrio o valor de r0 ser escolhido entre 1 e 3,
conforme o percentual de elementos da classe que queremos englobar (ver escolha de r0
para ART). O dimetro das clases dado por 2 r0 .
O nmero de classes (e de neurnios) na direo do maior dimetro ser ento:
2r0
? A direo
r
d
do maior dimetro
r r r tr r
x = x d x d
2r0
RNs no sup
SOM
21 / 29
P Varincia1 PCA
Q Varincia 2 a PCA
a
u ij =
r
r
w vizinho wij
r
r
wvizinho wij
picos (separaes) e
vales (agrupamentos)
RNs no sup
SOM
22 / 29
RNs no sup
SOM
23 / 29
Nomeando os clusters
Quem quem ?
6 - Comentrios:
6.1 SOM vs PCA
PCA Compactao linear
SOM Compactao no linear, elimina espaos vazios
PCA
SOM
RNs no sup
SOM
24 / 29
RNs no sup
SOM
25 / 29
Mtrica quadrada
Fazendo
espaamento entre colunas = 1
espaamento entre linhas = 1
RNs no sup
colunas
linhas
SOM
26 / 29
k = 1, 2, ... , P
l = 1, 2, ... , Q
Fazendo
espaamento entre colunas = 0,5
espaamento entre linhas = 3 2
hexgonos regulares e
distncia Euclidiana entre vizinhos mais prximos = 1
distncia m no mapa entre vizinhos mais prximos = 1
RNs no sup
colunas
linhas
SOM
k = 1, 2, ... , P
l = 1, 2, ... , Q
(k-par, l-impar)
ou
(k-impar, l-par)
h neurnios em apenas
metade das posies (k, l) !
Euclidiana
Hexagonal
27 / 29
RNs no sup
SOM
28 / 29
mij
mij
Mapas fechados
RNs no sup
SOM
29 / 29