Documente Academic
Documente Profesional
Documente Cultură
Arhitectura / Structura 1 M
Strat iesire
RN cu 3 straturi , dar numai
2 niveluri de unitati functionale: W
Strat ascuns
Radial units K
Unitati ascunse:
Potentialul de activare = distanta dintre C
vectorul de intrare si cel al ponderilor Strat de
corespunzatoare unitatii ascunse intrare
1 N
Unitati de iesire:
Potentialul de activare = suma ponderata (MLP)
X N K M Y
C W
Matricea centrilor:
xn
RBF Functionare
y1 yM
Calculul valorilor de iesire:
Matricea centrilor:
K
... k ...
C
c1k c2k cnk cNk
xn
x1 ... ... xN
Vectorii Ck pot fi interpretati ca prototipuri (centroizi) ai datelor de intrare;
- doar vectorii de intrare similari cu vectorul de ponderi asociat unitatii ascunse
poate activa unitatea ascunsa corespunzatoare
- pentru un vector de intrare dat, semnalul produs de retea este determinat de catre
unitatile ascunse al caror centru este suficient de apropiat de vectorul de intrare
RBF Functionare
Fiecare unitate ascunsa este sensibila
la semnalele de intrare provenite dintr-o
regiune a spatiului de intrare aflata in
vecinatatea centrului. Aceasta regiune
este denumita camp receptiv
(zona de atractie)
Dimensiunea campului receptiv depinde de
Prin urmare, fiecare neuron din stratul ascuns
defineste un camp receptiv / regiune de atractie,
definit de centroid si raza de raspandire a sa
x2
x1
Teorema
O retea cu N intrari si M iesiri poate aproxima orice functie definita pe RN, cu valori in
RM, cu o acuratete care depinde de numarul de unitati ascunse
RBF Functionare
Valori prea mici sau prea mari ale largimii functiilor radiale conduc la acoperiri
inadecvate
RBF Functionare
Valori prea mici sau prea mari ale largimii functiilor radiale conduc la acoperiri
inadecvate
RBF Functionare
Rezultate obtinute pentru o problema de interpolare
RBF Functionare
Rezultate obtinute pentru o problema de interpolare
RBF Functionare
Rezultate obtinute pentru o problema de interpolare
RBF Capacitatea de reprezentare
Exemple (caz particular) : retea RBF pentru reprezentarea lui XOR
2 unitati de intrare
4 unitati ascunse
1 unitate de iesire Centrii: Ponderi:
u.a. 1: (0,0) w1: 0
u.a. 2: (1,0) w2: 1
u.a. 3: (0,1) w3: 1
u.a. 4: (1,1) w4: 0
Functie de activare:
g(u)=1 if u=0
g(u)=0 if u<>0
Obs.: Aceasta abordare nu poate fi aplicata pentru probleme generale de aproximare, ci doar in cazul
interpolarii exacte (in care valorile de intrare sunt limitate si conoscute in totalitate).
RBF Aplicatii
Retelele RBF sunt aplicate pentru clase de probleme similare celor pentru care sunt
aplicate retelele feed-forward cu functii sigmoidale:
Aproximare
Clasificare
Predictie
RBF Antrenare
Parametri determinati in etapa de invatare:
Variante de antrenare:
RBF Antrenare
RBF Antrenare
Fiecare clasa va avea un reprezentant (ex: media datelor din clasa) care va fi
considerat centrul clasei
K-means:
Proces iterativ:
Se asigneaza datele la clase folosind
criteriul distantei minime (sau a celui
mai apropiat centru)
RBF Antrenare
K-means:
Proces iterativ:
Se asigneaza datele la clase folosind
criteriul distantei minime (sau a celui
mai apropiat centru)
RBF Antrenare
Daca data de intrare este diferita de toti centrii atunci este adaugat un nou centru
(unitate ascunsa in RN) care este initializat chiar cu data de intrare analizata.
RBF Antrenare
RBF Antrenare
Problema este echivalenta cu cea a antrenarii unei retele cu un singur nivel de unitati
functionale liniare
Variante:
Aplicarea metodelor din algebra liniara (rezolvarea unui sistem de ecuatii liniare)
RBF Antrenare
RBF Antrenare
Solutia:
wridge = (XTX + In)-1 XT y
daca 0 atunci wridge wLS clasic
daca atunci wridge 0
RBF Antrenare
B2. Antrenarea simultana a tuturor parametrilor prin BackPropagation
Se utilizeaza algoritmul de gradient negativ, pentru minimizarea erorii patratica medie la
iesirea retelei, intre valoarea reala si cea dorita