Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Kohonen Self Organizing Feature Map Oleh : Aviv Yuniar Rahman Agung Rahmat Vidraga.

Presentasi serupa


Presentasi berjudul: "Kohonen Self Organizing Feature Map Oleh : Aviv Yuniar Rahman Agung Rahmat Vidraga."— Transcript presentasi:

1 Kohonen Self Organizing Feature Map Oleh : Aviv Yuniar Rahman Agung Rahmat Vidraga

2 Introduction  Self-Organizing maps dikembangkan oleh Kohonen pada tahun 1980  Metode clustering untuk data dimensi tinggi  Cluster yang dihasilkan diatur pada grid

3 Self Organizing Maps  Berdasarkan pembelajaran kompetitif (Unsupervised)  Hanya satu neuron yang keluar saat diaktifkan pada satu waktu  Winner akan mengambil semua neuron atau memenangkan neuron  Dalam Self-Organizing Map  Neuron ditempatkan di node dari suatu kisi-kisi •1 atau 2 dimensional  Pada pola masukan neuron disetel selektif • proses pembelajaran yang kompetitif  Lokasi neuron yang telah disetel untuk dipesan •pola masukan pembentukan peta topografi  Spasial lokasi neuron di kisi -> intrinsik statistik fitur yang terdapat dalam pola masukan

4 Self Organizing Maps  Topologi transformasi             

5 SOM sebagai Model Neural  Perbedaan fitur dari otak manusia  Untuk memerintahkan komputasi yang telah diatur sedemikian rupa sehingga input sensorik yang berbeda diwakili oleh peta topologi  komputasi peta  Dasar pembangunan blok dalam informasi pengolahan infrastruktur sistem saraf  Array neuron mewakili prosesor yang telah disetel sedikit berbeda pada operasi informasi bantalan sinyal sensorik secara paralel

6 Cerebral Cortex

7 Fitur Dasar Model Pemetaan  Willshaw-von der Malsburg Model (1976)  Alasan biologis untuk menjelaskan masalah pemetaan retinotopicdari retina ke korteks visual  2D kisi: presynaptic, neuron postsynaptic  Kedekatan geometrik neuron presynaptic dikodekan dalam bentuk korelasi, dan digunakan dalam kisi postsynaptic  Khusus untuk pemetaan untuk dimensi yang sama dari input dan output

8 Fitur Dasar Model Pemetaan  Model Kohonen (1982)  Fitur captures penting untuk peta komputasi di Otak  Lebih umum dan lebih perhatian daripada Model Willshaw-Malsburg •Mampu pengurangan dimensi •Kelas pengkodean vektor

9 Proses Pembentukan SOM  Setelah inisialisasi untuk bobot sinaptik (Weight), terdapat tiga proses penting yaitu:  Competition • Fungsi diskriminan yang dipilih untuk nilai terbesar • Pemenang kompetisi (Winner)  Cooperation •Neuron yang menang dipilih sebagi spatial neighbors  Synaptic adaptation •Neuron menyesuaikan bobat sipnatik (Weight)

10 Competitive Process  Input vector ( x), sinaptik berat vektor (Weight w j ) x = [x 1, x 2, …, x m ] T w j =[w j1, w j2, …, w jm ] T, j = 1, 2,3, l  Nilai i(x) yang paling min sebagai pemengan neuron, i(x) = arg min ||x-w j ||, j =1,2,3,..,l  Tentukan lokasi dimana komunitas topologi neuron untuk menjadi terpusat

11 Cooperative Process  Untuk neuron yang menang, langsung merangsang neuron di neighborhood untuk lebih jauh  Dengan jarak lateral memperlancar kerusakan topologi neighborhood  Simetris terhadap titik maksimum yang didefinisikan oleh d ij = 0  Untuk penurun yang menoton ke nol d ij  ∞  Fungsi neighborhood : kasus Gaussian  Seiring waktu kerusakan pada neighborhood mengakibatkan menyusutnya ukuran

12 Adaptive process  Vektor bobot sinaptik berubah dalam kaitannya dengan vektor masukan w j (n+1)= w j (n) +  (n) h j,i(x) (n) (x - w j (n))  Diterapkan untuk semua neuron di dalam neighborhood neuron yang menang i  Setelah presentasi berulang dari data pelatihan, berat cenderung mengikuti distribusi  Tingkat pembelajaran  (n) : decay dengan waktu  2 fase decay  Mengatur dirinya sendiri atau memesan fase: pemesanan topologi bobot vektor  Konvergensi fase: setelah memesan, untuk kuantifikasi statistik yang akurat dari ruang input

13 Ringkasan SOM (1)  Masukan terus menerus pada ruang akan mengakibatkan aktivasi pola yang dihasilkan akan sesuai dengan distribusi probabilitas tertentu  Topologi jaringan dalam bentuk kisi neuron, mendefinisikan sebagai ruang output diskrit  Fungsi berbagai waktu yang didefinisikan di neighborhood untuk sekitar neuron yang menang

14 Ringkasan SOM (2)  Belajar algoritma SOM 1. Inisialisasi 2. Cari sel terdekat i(x) = argmin j || x(n) - w j (n) || 3. Pebaharui weights of neighbors w j (n+1) = w j (n) +  (n) h j,i(x) (n) [ x(n) - w j (n) ] 4.Kurangi neighbors and  5. Kembali ke 2

15 Contoh SOFM (1) 2-D Kisi oleh 2-Ddistribusi

16 Contoh SOFM (2) Fonem Recognion  Peta Phonotopic  Pengakuan result for "humppila"


Download ppt "Kohonen Self Organizing Feature Map Oleh : Aviv Yuniar Rahman Agung Rahmat Vidraga."

Presentasi serupa


Iklan oleh Google