Kohonen Self Organizing Feature Map

Presentasi berjudul: "Kohonen Self Organizing Feature Map"— 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 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

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

12 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

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) = 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

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

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