La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Chapitre 7 Réseau ART. GPA-779 Application des réseaux de neurones et des systèmes experts Cours #9 - 2 Plan n Compétition de base: Le gagnant emporte.

Présentations similaires


Présentation au sujet: "Chapitre 7 Réseau ART. GPA-779 Application des réseaux de neurones et des systèmes experts Cours #9 - 2 Plan n Compétition de base: Le gagnant emporte."— Transcription de la présentation:

1 Chapitre 7 Réseau ART

2 GPA-779 Application des réseaux de neurones et des systèmes experts Cours #9 - 2 Plan n Compétition de base: Le gagnant emporte tout n Modèle générique ART n Structure ART1 n Améliorations: ART2 ARTMAP

3 GPA-779 Application des réseaux de neurones et des systèmes experts Cours #9 - 3 Découverte n K. Mehrotra, C.K. Mohan et S. Ranka, Elements of Artificial Neural Networks, MIT Press, ä Coup de coeur ä Traitement complet ä Algos génériques ä Exemples nombreux n G.A. Carpenter et S. Grossberg, Neural Networks for Vision and Image Processing, MIT Press, 1992 ä Répertoire de contributions ä Suite dune conférence à Boston en 1991 ä Orienté recherche ä «égaré» à lhiver 2003 n J.A. Freeman et D.M. Skapura, Neural Networks: Algorithms, Applications and Programming Techniques, Addison Wesley, 1991 ä Couvre les principaux modèles: adaline, madaline, perceptron, BAM, Hopfield, SOM, ART, neocognitron ä Source dinspiration pour plusieurs acétates ä Traitement complet, bien illustré

4 GPA-779 Application des réseaux de neurones et des systèmes experts Cours #9 - 4 n Vue densemble

5 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # Couche de compétition n Gagnant-emporte-tout n Modèle de base de plusieurs réseaux non-supervisés

6 GPA-779 Application des réseaux de neurones et des systèmes experts Cours #9 - 6 n Architecture y1y1 y2y2 yMyM x1x1 x2x2 x3x3 x4x4

7 GPA-779 Application des réseaux de neurones et des systèmes experts Cours #9 - 7 n Activation ä Produit scalaire. La sortie est proportionnelle au cos de langle entre lentrée et le vecteur de poids n Compétition : soit y m* le neurone avec la sortie maximale ä y m* = 1 ä y mm* = 0

8 GPA-779 Application des réseaux de neurones et des systèmes experts Cours #9 - 8 n Apprentissage ä Le neurone le plus activé gagne la compétition. Son indice est m*. ä Sa sortie y m* est placée à 1 ä Tous les autres neurones ont leur sortie à 0 ä Renforcement des liens du neurone gagnant

9 GPA-779 Application des réseaux de neurones et des systèmes experts Cours #9 - 9 a) avant lapprentissage b) après lapprentissage x: vecteur de poids: vecteur dentrée

10 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n Phase de compétition ä Solution logicielle: Max. (Y) y m* = 1 y m m* = 0 ä Solution neuronique: inhibition y1y1 y2y2 yMyM net 1 net 2 net M

11 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # Exercice y1y1 y2y2 y4y4 0,80,20,6 y3y3 0,4

12 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # Modèle générique ART n ART:Adaptive Resonnance Theory Classification non-supervisée

13 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n Composantes: ä Couche dentrée F1 –Sous-couche dentrée F1(a) –Sous-couche dinterface F1(b) ä Couche de classification F2 compétition ä Mécanisme de comparaison n Connexions: ä Rappel (F1 F2)b ji ä Modèle (F2 F1)t ij

14 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n Phases dopération

15 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n Caractéristiques ä Apprentissage non-supervisé –Catégorisation par regroupement de caractéristiques. Apprend les regroupements. ä Mémoire incrémentale –On peut ajouter de nouvelles catégories sans effacer ce qui a été appris. ä Inspiration biologique –Phénomène de base : éveillement –Dilemme stabilité platicité

16 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n Structure du ART 1 F 2 Catégories j F 1 Caractéristiques i RAZ G1G1 G2G2

17 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # ä Couche F1 : couche de comparaison Activité X 1i xixi G1G1 à F 2 à RAZ de F 2 t ij sisi G1=1x i seulement G1=0F2x i À cause règle 2/3: G1=1 s i =x i 1 G1=0 s i =F2x i G1=0 (inhibé) F2 0 Donc, aussitôt que de lactivité se produit dans F2

18 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # Couche F2 : couche des catégories Activité X 2j G2G2 à F 1 de RAZ de F 1 b ji yjyj à toutes les unités de F 2 t ij

19 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n Fonctionnement ä Contrôle de gain: G1 et G2 –Permettent de contrôler le contenu de F1 –Règle du 2/3: une unité dans F1 ou F2 est activée si 2 entrées sur 3 sont activées ä Vigilance –Lentrée est comparée avec le prototype (modèle) généré par F2. Fonction ET sur F1 –Si comparaison < RAZ activé = facteur déveil0 < < 1 pour 1X doit égaler exactement F1 retourné par F2

20 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # ä Compétition (couche de compétition F2) –Les mêmes connexions se répètent pour toutes les unités –Résultat:y m* = 1 pour lunité la plus activée y m m* = 0 pour toutes les autres unités y1y1 y2y2 yMyM net 1 net 2 net M

21 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n Illustration du fonctionnement

22 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # Initialisation L > 1 2 0,9 1/1+I 1 1-Forme X k présentée à F1 a)X=0 G2=0 F2=0 b)X=S G2=1 F1(b) contient la forme S (=X k )Fig. 8.2a 2-S propagé sur F2Fig. 8.2a Algorithme

23 3-Compétition en F2. Forme résultat Y=y j* (1 neurone activé) Fig. 8.2b 4-Y projeté sur F1 G1 inhibé F1 contientXY projeté = S Fig. 8.2b 5-Appariement 6-RAZ activéFig. 8.2c Neurone Y désactivé et inhibé y j* = Renforcir W f allant à Y 8-Renforcir W b partant de Y 9-Enlever XG2=0 Ré-activer les neurones inhibés dans F2 (rés. de RAZ) Fig. 8.2d 10- Retour à 1

24 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n Exemple - ART1

25 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n ART1: convergence et robustesse

26 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n Améliorations ä ART1:Entrées binaires ä ART2:Entrées analogiques Normalisation + Contraste ä ARTMAP:ART1s ou ART2s couplés avec apprentissage supervisé ( augmenté pour certains exemples)

27 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n ART2

28

29

30 GPA-779 Application des réseaux de neurones et des systèmes experts Cours # n ARTMAP

31


Télécharger ppt "Chapitre 7 Réseau ART. GPA-779 Application des réseaux de neurones et des systèmes experts Cours #9 - 2 Plan n Compétition de base: Le gagnant emporte."

Présentations similaires


Annonces Google