Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.
Maja Czoków, Jarosław Piersa
Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika
2013-10-22
Projekt pn. „Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych”
realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki
1 RBF Pomysł Przykłady Zastosowanie
2 Jednostka AdaLine
Algorytm spadku gradientowego Uczenie Adaline
3 Zastosowania
Filtrowanie obrazów Rozpoznawanie obrazów DFT
Zadania
1 RBF Pomysł Przykłady Zastosowanie
2 Jednostka AdaLine
Algorytm spadku gradientowego Uczenie Adaline
3 Zastosowania
Filtrowanie obrazów Rozpoznawanie obrazów DFT
Zadania
Idea
-4 -2 0 2 4
-4 -2 0 2 4
f(x) = exp(- (x - x0)2 / (2 sigma2))
-4 -3 -2 -1 0 1 2 3 4
x -4
-3 -2 -1 0 1 2 3 4
y
Norma euklidesowa
f (¯ x ) = ||¯ x − ¯ x 0 || 2 = q
(x − x 0 ) 2 + (y − y 0 ) 2
-10 -5
0
5 10
-10 -5 0 5 010 5 10 15 20
x y
Hiperbola
f (x ) = q
a(x − x 0 ) 2 + b(y − y 0 ) 2 + c
-10 -5
0 5
10 -10 -5
0 5
10 0
5 10 15 20 25
RBF
x y
RBF
Hiperbola
f (x ) = a(x − x 0 ) 2 + b(y − y 0 ) 2 + c 2 d
, d < 0
-10 -5
0 5
10
-10 -5 0 5 010 0.2 0.4 0.6 0.8 1
RBF
x y
RBF
Funkcja Gaussa
f (x ) = exp −||x − x 0 || 2 2 2σ 2
-4 -3 -2 -1
0 1 2 3
4 -4 -3 -2 -1 0 1 2 3 4 0
0.2 0.4 0.6 0.8 1
RBF
f(x) = exp(- (x - x
0)
2/ (2 sigma
2))
x y
RBF
Funkcja liniowo-logarytmiczna
f (x ) = c||x − x 0 || 2 ln(c · ||x − x 0 ||), c > 0
-10 -5
0 5
10
-10 -5 0 5 010 200 400 600 800 1000
RBF
x y
RBF
Jak wykorzystać w zagadnieniach klasyfikacyjnych
-6 -4
-2 0
2 4
6 0
2 4 6
8 10 12
0 0.5 1 1.5 2
Jak wykorzystać w zagadnieniach klasyfikacyjnych
-6 -4
-2 0
2 4
6 0 2
4 6
8 10
12 0
0.5 1 1.5 2
out
Efekt
-8 -6 -4 -2 0 2 4 6 8
x -8
-6 -4 -2 0 2 4 6 8
y
-8 -6
-4 -2
0 2
4 6
8 -8 -6
-4 -2
0 2
4 6
8 0
0.2 0.4 0.6 0.8 1
RBF
x
y RBF
Efekt
-8 -6 -4 -2 0 2 4 6 8
x -8
-6 -4 -2 0 2 4 6 8
y
-8 -6 -4 -2 0 2 4 6 8
-6 -8 -2 -4 0 4 2 8 6 0
0.2 0.4 0.6 0.8 1
RBF
x
y RBF
1 RBF Pomysł Przykłady Zastosowanie
2 Jednostka AdaLine
Algorytm spadku gradientowego Uczenie Adaline
3 Zastosowania
Filtrowanie obrazów Rozpoznawanie obrazów DFT
Zadania
Funkcja błędu
-15 -10 -5 0 5
0 2 4 6 8 10
-15 -10 -5 0 5
0 2 4 6 8 10
Algorytm spadku gradientowego
-6 -4 -2 0 2 4 6
-6 -4 -2 0 2 4 06 10 20 30 40 50
Postęp algorytmu
click
Algorytm
click
Wykres błędu
0 500 1000 1500 2000 2500 3000
0 50 100 150 200 250 300
Error
Iterations Error
Wielkość η
-5 -4
-3 -2
-1 0
1 2
3
x
-4 -5 -2 -3 0 -1 2 1 4 3
y 0
20 40 60 80 100 120 140
p(x,y)
Zastosowania
Zadania
Filtry liniowe
Oryginalny rysunek za http://en.wikipedia.org/, 2011-09.
Zastosowania
Zadania
Rozpoznawanie obrazów
Chcemy rozpoznawać obraz po przesunięciu,
Zastosowania
Zadania
DFT
obraz DFT obraz DFT
Zastosowania
Zadania
DFT
DFT 100 × log(DFT)
Zastosowania
Zadania
DFT
DFT 100 × log(DFT)
Zastosowania
Zadania
DFT
out