Kohonen Self Organizing Feature Map Oleh : Aviv Yuniar Rahman <2210106008> Agung Rahmat Vidraga <2210105082>

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

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

Self Organizing Maps Topologi transformasi  

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

Cerebral Cortex http://www.health.org/pubs/qdocs/mom/TG/intro.htm

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

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

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)

Competitive Process Input vector (x), sinaptik berat vektor (Weight wj) x = [x1, x2, …, xm]T wj=[wj1, wj2, …, wjm]T, j = 1, 2,3, l Nilai i(x) yang paling min sebagai pemengan neuron, i(x) = arg min ||x-wj||, j =1,2,3,..,l Tentukan lokasi dimana komunitas topologi neuron untuk menjadi terpusat

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 dij = 0 Untuk penurun yang menoton ke nol dij  ∞ Fungsi neighborhood : kasus Gaussian  Seiring waktu kerusakan pada neighborhood mengakibatkan menyusutnya ukuran

Adaptive process Vektor bobot sinaptik berubah dalam kaitannya dengan vektor masukan wj(n+1)= wj(n) + (n) hj,i(x)(n) (x - wj(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

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

Ringkasan SOM (2) Belajar algoritma SOM 1. Inisialisasi 2. Cari sel terdekat i(x) = argminj || x(n) - wj(n) || 3. Pebaharui weights of neighbors wj(n+1) = wj(n) +  (n) hj,i(x)(n) [ x(n) - wj(n) ] 4.Kurangi neighbors and  5. Kembali ke 2

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

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