Documente Academic
Documente Profesional
Documente Cultură
intensitate
Algoritm de clasificare:
Perceptron
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
Cerinta:
Detectati masinile in imagini de
intensitate folosind algoritmul
perceptron.
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
Algoritmul perceptron
Consta in studiul unor funcii de
discriminare liniar, exemplificate de
perceptron, i vom aplica metoda
gradient descent pentru a calcula
cele mai bune reguli de clasificare
pentru dou clase.
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
Fundamente teoretice:
Scopul clasificrii este de a grupa elemente cu trsturi similare n
clase sau grupuri. Un clasificator liniar reuete acest lucru prin
luarea deciziei n funcie de o combinaie liniar a trsturilor.
Definiia unui clasificator
Fie S o mulime de exemple {S1, S2,, Sn} ce aparin unor clase
diferite {c1, c2, , cm}. Fiecare exemplu are d trsturi associate
x = {x1, x2,, xd}. Un clasificator este o coresponden ntre
spaiul trsturilor i etichetele claselor, {c1, c2,,cm}.
Astfel un clasificator partiioneaz spaiul n m regiuni de decizie.
O dreapt sau o curb ce separ clasele se numete limit de
decizie. Dac avem mai mult de dou trsturi, aceast limit
devine o suprafa (e.g. un hiperplan).
n continuare ne vom referi la cazul cu dou categorii, n care
exemplele din S aparin de dou clase {c1, c2}.
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
nvarea perceptron
Vom considera metoda nvrii unei
probleme de clasificare binar folosind un
clasificator liniar. Presupunem c avem o
mulime de date X={x(1, x(2, , x(n}
coninnd exemple din dou clase. Fiecare
exemplu x(i din mulime este caracterizat
de un vector de trasaturi {x1, x2, , xd}.
O vedere schematic a perceptronului este
prezentat n figura urmtoare.
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
o a= a + y
Until y <
Return a
End
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
1. Exemplu numeric
S se antreneze perceptronul pe urmtoarele date:
X1 = [(1,6), (7,2), (8,9), (9,9)]
X2 = [(2,1), (2,2), (2,4), (7,1)]
Algoritmul de nvare perceptron:
Considerm =0.1
Considerm a(0)=[0.1, 0.1, 0.1]
Folosim metoda de actualizare pas cu pas
Se normalizeaz setul de date
Se parcurg exemplele i se actualizeaz a(k) atunci cnd apare clasificare greit.
1. Y(1) [1 1 6]*[0.1 0.1 0.1]T>0 ok
2. Y(2) [1 7 2]*[0.1 0.1 0.1]T>0 ok
3.
4.
5. Y(5) [-1 -2 -1]*[0.1 0.1 0.1]T<0 actualizare a(1) = [0.1 0.1 0.1] + *[-1 -2 -1] = [0 -0.1 0]
6. Y(6) [-1 -2 -2]*[0 -0.1 0]T>0 ok
7.
8. Y(1) [1 1 6]*[0 -0.1 0]T<0 actualizare a(2) = [0 -0.1 0] +*[1 1
6] = [0.1 0 0.6]
9. Y(2) [1 7 2]*[0.1 0 0.6]T>0 ok
10.
Oprire cnd y <
n acest exemplu regula converge dup 175 iteraii la a=[-3.5 0.3 0.7]
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan
Bibliografie:
http://users.utcluj.ro/~raluca/prs/lab_
09r_perceptron.pdf
Facultatea de Automatica si
Calculatoare,sectia Calculatoare,
grupa 30241, Studenti:Vascan