1
Self Organizing Maps - Redes de Kohonen
1. Redes auto organizáveis
• Existe uma classe de redes neurais artificias que possuem acapacidade de auto organização, sendo por isto chamadas de redesauto organizáveis.
• A principal característica das redes auto organizáveis refere-seao processo de aprendizado, que ocorre através do treinamentonão supervisionado: a própria “estrutura” da rede é responsávelpelo ajuste dos parâmetros que determinam o aprendizado da redecom relação ao problema em questão.
• As redes (“mapas”) SOM (Self Organizing Maps) e ART(Adaptive Resonance Theory) são modelos com tal capacidade.
1.1 Redes SOM (Self Organizing Maps)
• As redes SOM (Self Organizing Maps) foram desenvolvidas porTeuvo Kohonen – professor da Faculdade de Ciência daInformação da Universidade de Helsinqui (Finlândia) – na décadade 80. Em vários trabalhos estas redes são chamadas de “redes deKohonen”, o que pode provocar confusão, uma vez que Kohonentambém propôs outros modelos de redes neurais.
• As redes SOM possuem forte inspiração neurofisiológica.Baseiam-se no mapa topológico presente no córtex cerebral.
2
• Sabe-se que o cérebro dos animais mais sofisticados possui áreasresponsáveis por funções específicas. Existem áreas dedicadas àfala, à visão, ao controle motor, à sensibilidade ao toque, etc.Cada uma dessas áreas contém subáreas.
• Cada subárea mapeia internamente respostas do órgão sensorialrepresentado por ela. Por exemplo:
� Córtex auditivo: o mapeamento reflete as diferentesfrequências sonoras.
� Córtex visual: o mapeamento é definido pelas característicasvisuais primitivas, como intensidade de luz, orientação ecurvatura de linhas.
• Observa-se que os neurônios estão espacialmente ordenadosdentro destas áreas e, assim, neurônios topologicamente maispróximos tendem a responder a padrões ou estímulos de formasemelhante.
• Tal ordenação topológica é resultado do uso de feedback lateralentre as células do córtex cerebral. Este feedback lateral égeralmente modelado em redes neurais por uma função conhecidacomo “chapéu mexicano”.
3
• Segundo a função “chapéu mexicano”, cada neurônio influencia oestado de ativação de seus neurônios vizinhos de três formaspossíveis: excitatória (região R1), inibitória (região R2) elevemente excitatória (região R3)
1.1.1 Funcionamento básico da rede SOM
• A estrutura básica de uma rede SOM apresenta apenas duascamadas: a camada input e a camada output, esta últimarepresentada normalmente como um grid bidimensional.
� Os nodos da camada input se ligam a todos os nodos da camadaouptut.
� Os nodos da camada output estão, por sua vez, ligados entre siao seus vizinhos geograficamente adjacentes.
• Um padrão p de entrada é apresentado à rede (via camada input).
• A rede procura a unidade (neurônio) da camada output maisparecida com p.
• Durante o treinamento, a rede aumenta a semelhança do nodo(neurônio) escolhido e seus vizinhos em relação ao padrão p.
4
• Assim, a rede constrói um mapa topológico onde nodostopologicamente mais próximos respondem de forma semelhantea padrões de entrada semelhante.
• O algoritmo de aprendizado da rede é competitivo: os nodos(neurônios) da camada output competem entre si para seremativados, ou seja, para ver quem gera o maior valor de saída(resposta) ao padrão p apresentado.
2. Clusterização utilizando mapas de Kohonen(Revista InfoGeo – Ano 2 No 6 março/abril 1999 – pág 34-36 –“Segmentação com mapas neurais de Kohonen” por Francisco Aranha)
• “Em essência, redes neurais são uma tecnologia de processamentode informações que se inspira no funcionamento do cérebrohumano.”
• “Apresentadas a uma série de estímulos (os dados a analisar) asredes neurais os organizam e aprendem a reconhecer padrões efazer previsões.”
5
• “Se as redes neurais recebem informações sobre a magnitude edireção dos erros que cometem na análise, aperfeiçoam seuconhecimento, melhorando as respostas seguintes”.
• Em particular, as redes de Kohonen apresentam uma estrutura derede em duas camadas distintas de neurônios: uma camada deentrada (camada “input” ) por onde se “apresenta” o padrão para arede e uma camada de processamento (camada “kohonen”), ondese forma o mapa (resultado da classificação dos padrõesapresentados).
• Os neurônios da camada input se ligam a todos os neurônios dacamada kohonen. Cada neurônio da camada kohonen estádiretamente ligado aos seus neurônios diretamente adjacentes.
• O funcionamento básico do mapa de Kohonen assim se processa:
� Um padrão p1 é apresentado à rede, através da camada input.
� Os neurônios da camada input transmitem estes “estímulos” aosneurônios da camada de processamento kohonen.
6
� O neurônio Ni da camada kohonen que reagir mais fortemente aosestímulos do padrão p1 ganha-o para si. Além disso, reforça suasligações com os vizinhos mais próximos, sensibilizando-os umpouco mais em relação às características do padrão p1.
� Na próxima oportunidade, quando um padrão pk “parecido” comp1 for apresentado ao mapa de Kohonen, toda a vizinhança de Ni
reagirá um pouco mais intensamente em relação às outras áreas domapa.
� Cada nova apresentação de um padrão pr à rede faz com que operfil de sensibilidade dos neurônios da camada kohonen vá sealterando: isto é o que chamamos treinamento da rede.
� A medida em que o número de padrões de treinamento vaiaumentando, as alterações dos neurônios vão gradualmente sereduzindo, até que a configuração do mapa (camada kohonen)converge para uma disposição estável. Dizemos então que o mapade Kohonen aprendeu a classificar.
7
2.1 – Ideias da rede SOM
• Considere uma pessoa e o seu (virtualmente infinito) “vetor deatributos”:
• Considere, que uma determinada livraria gostaria de “classificar”sua clientela de acordo com apenas duas características(variáveis): sexo e gênero literário de interesse:
8
• Usando um mapa de Kohonen para classificar (clusterizar) osclientes:
9
10
11
• Após o treinamento da rede (apresentação de todos os “padrões” àrede), são formados grupos (clusters) de perfis de clientes...
12
2.2 - Exemplo 1 – Entendendo SOM
♦ Vamos construir um mapa de Kohonen para classificar (agrupar –clusterizar) as 14 cidades A, B, C, ... N de acordo com o perfil de consumoper capita mensal de laranja e de limão dos habitantes destas cidades.Veja a tabela abaixo:
♦ Visualmente podemos notar que existem 3 (ou 4) perfis (padrões) decidade com relação ao consumo per capita mensal de laranja e de limão.Concorda com isso ou não ?
♦ Vamos ver como o mapa de Kohonen irá classificar...
13
♦ Vamos usar o software R para executar o algoritmo desta redeSOM.
♦ O primeiro passo é normalizar os dados... No exemplo foram realizados 3tipos de normalização (N1, N2 e N3) e foi escolhida a normalização N3,com base na normalização N2.
14
♦ Observe os dados normalizados (calculados no ambiente do R)
♦ A execução do algoritmo SOM no ambiente do R exige que selecionemosapenas os campos que serão usados para classificação. No casoselecionamos apenas os campos normalizados no “formato” N3, ou seja,os campos LARANJA_N3 e LIMAO_N3.
♦ Então executaremos o algoritmo numa camada (mapa) de dimensão 3 X 3
♦ Pronto... diversos resultados são gerados...
15
♦ Resultado: mapa de treinamento do vetor de pesos
16
♦ Resultado: Total de padrões alocados pelos neurônios da rede
17
♦ Resultado: Padrões alocados nos neurônios
18
♦ Resultado: O vetor de pesos dos neurônios e o mapa do vetor de pesos(code vector)
19
20
♦ Resultado: Cálculo da distância euclideana de um determinado padrão aum determinado neurônio. Um exemplo:
21
♦ Resultado: Mapa de calor por variável
22
Top Related