Redes de Função de Base Radial
-
Upload
ambaramarelo -
Category
Documents
-
view
817 -
download
0
description
Transcript of Redes de Função de Base Radial
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
REDES NEURAIS: Redes de Função de Base Radial
Edson Anibal de Macedo Reis Batista
UERN - Universidade do Estado do Rio Grande do Norte.
Departamento de Ciências da Computação.
30 de janeiro de 2010
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
índice
1 Introdução
2 Teorema de Cover sobre a separabilidade dos padrões
3 O problema XOR
4 Funções Radiais
5 Redes RBF
6 Aplicações da RBF
7 Comparativo RBF x MLP
8 Bibliogra�a
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Introdução
Na RBF, aprender é encontrar uma superfície, em um espaço
multidimensional, que forneçe o melhor ajuste para os dados
de treinamento.
Correspondentemente, generalização é o uso dessas superfícies
multidimensionais para interpolar os dados.
A camada oculta forneçe um conjunto de funções que
constituem uma base arbitrária para os padrões de entrada.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Teorema de Cover sobre a separabilidade dos padrões
�Um problema complexo de classi�cação de padrões
disposto não linearmente em um espaço de alta dimensão
tem maior probabilidade de ser linearmente separável do
que em um espaço de baixa dimensionalidade.�
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Teorema de Cover sobre a separabilidade dos padrões
OU EM OUTRASPALAVRAS ...
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Teorema de Cover sobre a separabilidade dos padrões
�Um determinado problema Não Linearmente Separável
pode, de forma probabilística, ser transformado em um
problema Linearmente Separável através de uma
transformação não linear que mapeia o espaço para
outro espaço de ordem maior.�Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Teorema de Cover sobre a separabilidade dos padrões
Considere um conjunto de superfícies onde cada uma divide o
espaço de entrada em duas dimensões.
Considere que χ represente um conjunto de N padrões
(vetores) x1,x2, . . .xn. Onde cada padrão é atribuído a uma de
duas classes χ1 ou χ2.
Dizemos que esta dicotomia (partição binária) dos pontos é
separável em relação a família de superfícies, se existir uma
superfície da família que separe os pontos da classe χ1
daqueles da classe χ2.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Teorema de Cover sobre a separabilidade dos padrões
Para cada padrão x ∈ χ , de�na um vetor constituído de um
conjunto de funções de valor real {ϕi (x) | i = 1,2, . . . ,m1},como mostrado por1:
ϕ (x) = [ϕ1 (x) ,ϕ2 (x) , . . . ,ϕm1 (x)]T
Suponha que o padrão x é um vetor em um espaço de entrada
de dimensão m0.
O vetor ϕ (x) mapeia pontos do espaço de entrada m0 para
pontos em um novo espaço de dimensão m1.
1Referimo-nos a ϕi (x) como função oculta, porque desempenha papel
similar a uma unidade oculta em uma rede feed foward. Correspondentemente,
o espaço abrangido pelo conjunto de funções ocultas é referido como espaço
oculto ou espaço de características.Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Teorema de Cover sobre a separabilidade dos padrões
Uma dicotomia {χ1,χ2} de χ é dita ser separável por ϕ , se
existir um vetor w de dimensão m1 para o qual podemos
escrever (Cover, 1965):
wTϕ (x) > 0, x ∈ χ1
wTϕ (x) < 0, x ∈ χ2
O hiperplano de�nido pela equação wTϕ (x) = 0 descreve a
superfície de separação no espaço oculto ϕ .
A imagem inversa deste hiperplano, isto é, x : wTϕ (x) = 0
de�ne a superfície de separação no espaço de entrada.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Teorema de Cover sobre a separabilidade dos padrões
Figura: Exemplos de dicotomias separáveis por ϕ de diferentes conjuntosde cinco pontos em duas dimensões: (a) dicotomia linearmente separável;(b) dicotomia esfericamente separável; (c) dicotomia quadraticamenteseparável.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Teorema de Cover sobre a separabilidade dos padrões
Resumindo: O teorema de Cover sobre a separabilidade de
padrões engloba dois ingredientes básicos:
1 A formulação não-linear da função oculta de�nida por ϕi (x),onde x é o vetor de entrada e i = 1,2, . . . ,m1.
2 A alta dimensionalidade do espaço oculto comparado com oespaço de entrada; esta dimensionalidade é determinada pelovalor atribuído a m1 (i.e., o número de unidades ocultas).
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Teorema de Cover sobre a separabilidade dos padrões
Em geral, como dito anteriormente, um problema complexo de
classi�cação de padrões disposto não linearmente, tem maior
probabilidade de ser linearmente separável em um espaço de
alta dimensão que num espaço de baixa dimensão.
Entretanto, em alguns casos o uso do mapeamento não-linear
(i.e., ponto 1 do slide anterior) pode ser su�ciente para
produzir uma separabilidade linear sem ter que aumentar a
dimensionalidade do espaço das unidades ocultas.
Isto será ilustrado na resolução do problema do XOR
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Porta lógica: OU EXCLUSIVO
p q
0 0 0
0 1 1
1 0 1
1 1 0
A saída é verdadeira se as proposições verdadeiras de entrada forem ímpar.Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
O problema XOR
Existem quatro pontos (padrões) em um espaço de entrada
bidimensional:
O objetivo é construir um classi�cador de padrões que produza
a saída 0 em resposta ao padrão de entrada (1,1) ou (0,0), e a
saída 1 em resposta ao padrão de entrada (0,1) e (1,0).
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
O problema XOR
De�na um par de funções ocultas gausianas como segue:
ϕ1 (x) = e−‖x−t1‖2 , t1 = [1,1]T
ϕ2 (x) = e−‖x−t2‖2 , t2 = [0,0]T
Podemos então obter os resultados para os quatro padrões de
entrada:
Padrão de entrada, x Primeira função oculta, ϕ1 (x) Segunda função oculta, ϕ2 (x)
(1,1) 1 0,1353
(0,1) 0,3678 0,3678
(0,0) 0,1353 1
(1,0) 0,3678 0,3678
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
O problema XOR
Figura: Diagrama de tomada de decisão
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
O problema XOR
Neste exemplo, não há aumento da dimensionalidade do
espaço oculto, em relação ao espaço de entrada. A não
linearidade das funções gausianas foi su�ciente para
transformar o problema XOR em um problema linearmente
separável.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Funções Radiais
Funções radiais são uma classe especial de funções em que sua
resposta decresce (ou cresce) monotonicamente com o
distanciamento de um ponto central.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Funções Radiais
Uma típica função radial é a Gaussiana que decresce
monotonicamente com a distância do centro:
ϕ (x) = e
(− (x−c)2
r2
)onde 'c' é o centro, e 'r ' o raio.
Gaussiana de centro=0 e raio=1.Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Funções Radiais
Já a função multiquadrática cresce com a distância do centro:
ϕ (x) =
√r2+(x−c)2
r
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Redes RBF
Uma rede de função de base radial é composta por 3 camadas:
Camada de entrada, onde há um neurônio para cada dimensão
de entrada.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Redes RBF
Uma única camada escondida - onde o número de neurônios é
variável e a quantidade ótima é obtida no treinamento. Cada
neurônio consiste de uma função de base radial e representa
uma dimensão. Os centros e o espalhamento é obtido durante
o treinamento.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Redes RBF
Camada de saída.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Aplicações da RBF
Processamento de Imagem
Reconhecimento de voz
Análise de séries temporais
Equalização adaptativa
Radar point source location
Reconhecimento de padrões
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Aproximação de funções - Aproximador Universal
Uma RBF pode aproximar qualquer função contínua através
da combinação linear de funções gaussianas com centros
em diferentes posições do espaço de entrada.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Reconhecimento de caracteres
Uma RBF pode reconhecer padrões de caracteres em imagens
com uma performace excelente.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
Comparativo RBF x MLP
Tanto as RBF quando MLP são aproximadores universais.
Porém existem algumas diferenças:
1 Uma rede RBF (na sua forma básica) tem apenas uma camada
oculta, enquanto o MLP pode ter várias.2 Normalmente os nós da camada escondida e de saída de uma
MLP compartilham um modelo neuronal comum. Já na RBF
os nós da camada oculta são bem diferentes e servem a um
propósito diferente.3 A camada oculta de uma RBF é não-linear, enquanto a
camada de saída é linear.4 MLP constroem aproximações globais, enquanto a RBF faz
aproximações locais.
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF
IntroduçãoTeorema de Cover sobre a separabilidade dos padrões
O problema XORFunções Radiais
Redes RBFAplicações da RBF
Comparativo RBF x MLPBibliogra�a
BIBLIOGRAFIA
Edson Anibal de Macedo Reis Batista REDES NEURAIS: RBF