Upload
escom
View
1.168
Download
0
Embed Size (px)
Citation preview
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Mapas autorganizativos
� Aprendizaje no supervisado
� “Learning Vector Quantization”
� Aplicaciones
2000-2001 1
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Mapas autorganizativos
x 1 x 2 x 3 x 4 x 5 x 6 x 7
w 1j
w 2j w
3j w 4j w
5jw
6jw
7j
UNIDAD j
ξ(t ,j) 0 ξ(t ,j) 1 ξ(t ,j) 2
� ESPACIO DE ENTRADA: ���
� RED DE � UNIDADES: �
� CONJUNTO DE PESOS: � � ������ � ��
� FUNCION DISTANCIA: ������ �� ��� ��� ��
� FUNCION DE ENTORNO: � � � �� ���, ���� �� � ��� �� �� � � si � �
2000-2001 2
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Algoritmo de Kohonen
algoritmo SOM(���� )
Datos: �: dimension del espacio de entrada; �: una red de � unidades;
: �������� � ���� � � ��
Resultado: � � ������ � ��: pesos de conexiones.
para todo �� � hacer ����:= valor aleatorio /* Inicializacion */ fin parat:=0repetir
t:=t+1para todo ��� � hacer
�� �� argmin����� � ��� ��� �� /* Eleccion de la unidad mas proxima* /para todo � � ������ /*���� ��� � ��� ��� si � � */ hacer
��� �� ��� � ������� ���� /* ���� � ��� si � � */fin para
fin parahasta ��� � � o ��� �� � �
2000-2001 3
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Algoritmo de Kohonen
x
w(t)
w’(t)
w"(t)
w(t+1)
w’(t+1)
w"(t+1)
w’’’(t)
w’’’’(t)ξ(t,j)
-
2000-2001 4
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Algoritmo de Kohonen
� Propiedad: La regla ��� � �� � ���� � ��� � ������ ����� con � ��� �
verifica: � ����� ���� �� �� � ����� ���� ��
� Recomendacion:
– ��� � �� � ��� ������– ��� �� �
������������ � ������������� � � � ��� � �� o ������
�� y ��� son las coordenadas de � y � �.
� Convergencia: (Yang y Dillon, 1991)
� Propiedad: Datos proximos en ��� tenderan a estar representados porunidades “proximas” en el mapa autoorganizativo.
� Aplicacion: visualizacion en 2D: ��� ��� ���� ���� ��� ���� �� � o en 1D ���
��� ���� ���
� Propiedad: A partir de una gran cantidad de datos de entrenamiento, la redes capaz de aproximar las distribuciones de probabilidad subyacentes delconjunto de datos con un numero reducido de unidades (Kohonen,1987)
2000-2001 5
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Dinamica de un mapa autoorganizativo
Dado un �� � ���, �� es �� si
�� � argmin
���
� ��� ��� ��
� ��� ��� ���
�����
��� �
�����
���� � �
�����
�� � ���
si ��� � � ��� y ��� � ���
�����
��
argmin
���
� ��� ��� ��� argmax
���
��� � ��� � ����
Una funcion discriminante lineal
2000-2001 6
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Clasificador basado en un SOM
CAPA DE SALIDA
CAPA DEL MAPA
CAPA DE ENTRADA
2000-2001 7
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Etiquetado
algoritmo CALIBRADO-SOM(���� �)
Datos: �: dimension del espacio de entrada; �: una red de � unidades;
�: ������ ������ � � � ��� � ��� � � � ��; � � ����� � ��
Resultado: ETIQ� � � � � ��
para �� � hasta � hacerpara todo � � � hacer VOTOS� � �� �� � fin para
fin parapara todo ����� ��� � � hacer
�� argmin
����� ��� ��� �;
VOTOS� � ��� �� VOTOS� � ��� �;fin parapara �� � hasta � hacer
ETIQ� � �� argmax��� VOTOS� � ��
fin parapara �� � hasta � hacer
si VOTOS� � ETIQ� �� � � entonces ETIQ� � �� fin sifin para
2000-2001 8
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Esquema general LVQ
algoritmo ESQUEMA-LVQ(���� )
Datos: �: dimension del espacio de entrada; �: una red de � unidades;
: ������ ���� � � � ��� � ���� � � ��
Resultado: � � ������ � ��
� �� SOM����� �
ETIQ �� CALIBRADO����� ���
�� �
repetirpara todo ����� �� � hacer
�� � �
� �� LVQ*����� ����ETIQ�
fin parahasta � � ��� o convergencia
2000-2001 9
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
“Learning Vector Quantization” 1
algoritmo LVQ1(���� ����ETIQ)
Datos: Una muestra ��� � ���, � � �
� � ������ � ��ETIQ� � � � ���
Resultado: � � ������ � �� corregidos
�� �� argmin����� � ��� ��� ��
si (ETIQ���� �� �) entonces
���� �� ���� � ��� ��
��� � �����
sino
���� �� ���� � ��� ��
��� � �����
fin si
2000-2001 10
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
“Learning Vector Quantization” 2algoritmo LVQ2(���� ����ETIQ)
Datos: Una muestra ��� � ���, � � �
� � ������ � ��ETIQ� � � � ���
Resultado: � � ������ � �� corregidos
�� �� argmin����� � ��� ��� ��
��� �� argmin������� ���� � ��� ��� ��
si �ETIQ���� �� �� � �ETIQ����� � �� entonces
� ��� ��� � ���� �� � � ��� � ����� ��
si ������ ���� � ��� ����� � �� entonces
���� �� ���� � ��� ��
��� � �����
����� �� ����� � ��� ��
��� � ������
fin sifin si
2000-2001 11
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
“Learning Vector Quantization” 3
algoritmo LVQ3(���� �����ETIQ)
Datos: Una muestra ��� � ��, �� � �; � � ����� � ��; ETIQ� � � � � ��
Resultado: � � ����� � �� corregidos
�� argmin
����� ��� ��� �; �� argmin
������� ���� ��� ��� �
si �ETIQ� � � ��� � �ETIQ� � � ���� entonces
si �ETIQ� � � ��� entonces � � � �� � � � fin si
si �ETIQ� � � ETIQ� �� entonces
���� �� ���� � � ���� ��
��� � �����
; ����� �� ����� � � ���� ��
��� � ������
sino
� �� ��� � ���� � � ��� � ����� �
si ������� ���� � ��� ����� ��� entonces
���� �� ���� ���� ��
��� � �����
; ����� �� ����� � ���� ��
��� � ������
fin sifin si
fin si
2000-2001 12
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
“Decision Surface Mapping”
algoritmo DSM(���� ����ETIQ)
Datos: Una muestra ��� � ���, � � �
� � ������ � ��ETIQ� � � � ���
Resultado: � � ������ � �� corregidos
�� �� argmin����� � ��� ��� ��
si (ETIQ���� �� �) entonces
��� �� argmin
������ETIQ������� ��� ��� ��
���� �� ���� � ��� ��
��� � �����
����� �� ����� � ��� ��
��� � ������
fin si
2000-2001 13
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Aplicaciones
� Reconocimiento del habla: mapas fonotonicos.
� Procesamiento del lenguaje natural: mapas semanticos.
� Control de robots.
� Compresion de imagenes.
� Clasificacion de icebergs por radar.
� Clasificacion de las canciones de cortejo en insectos.
2000-2001 14
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Mapas foneticos
a a a ah h e e e
o a a h r l y y j i
o o a h r r r η η y j i
o o m a r m n m n j i i
l o u h v n n h j i
l u v v p d d t r h j
. . u v k p p p r k s
. . v k pt t p t p h s s
oe oe φφ
oe φ
tk
hj
hi
vm
2000-2001 15
RNA. Facultat d’Informatica. UPV. Tema IV.1: Mapas autorganizativos
Mapas semanticos
water meat dog horse
beer bread
fast seldom Bob
slowly often
Mary
well works
poorly speaks phones
little
much Jim
eats
buys visits
sells
runs
drinks walks hates likes
2000-2001 16