Neural gas
 | A tradução deste artigo está abaixo da qualidade média aceitável. (Setembro de 2021) |
Neural gás é uma rede neural artificial, inspirado pela auto-organização de mapa e introduzido em 1991 pela Thomas Martinetz e Klaus Schulten.[1] neural gás é um algoritmo simples para encontrar ideal de representações de dados com base no recurso de vetores. O algoritmo foi cunhado "neural gas" por causa da dinâmica do recurso de vetores durante o processo de adaptação, que distribuem-se como um gás dentro do espaço de dados. Ele é aplicado, onde a compressão de dados ou vector quantization é um problema, por exemplo, o reconhecimento de fala,[2] de processamento de imagem[3] ou o reconhecimento de padrões. Como uma forma robusta a convergir alternativa para o k-means clustering é também utilizado para a análise de cluster.[4]
Algoritmo[editar | editar código-fonte]
Dada uma distribuição de probabilidade de dados de vetores e um número finito de recurso de vetores .
Com cada passo de tempo , um vector de dados escolhido aleatoriamente a partir de é apresentado. Posteriormente, a distância, a fim de o recurso de vetores a um dado vector de dados é determinado. Deixe indicar o índice do próximo vetor característico, o índice do segundo recurso mais próximo do vetor, e o índice do vetor característico mais distante . Em seguida, cada vetor é adaptado de acordo com
com como o tamanho do passo de adaptação e como o chamado bairro de gama. e são reduzidos com o aumento da . Depois de suficientemente muitas medidas de adaptação a funcionalidade de vetores de cobrir o espaço de dados com o mínimo de representação de erro.[5]
A adaptação etapa do neurais gás possa ser interpretado como de gradiente descendente em uma função de custo. Por adaptação não só o mais próximo do vetor característico, mas todos eles com um passo de tamanho decrescente com o aumento da distância da ordem, em comparação com (on-line) k-means clustering muito mais robusto convergência do algoritmo pode ser alcançado. O neural gás modelo não exclui um nó e também não criar novos nós.
Variantes[editar | editar código-fonte]
Uma série de variantes do neurais gás algoritmo existe na literatura, de modo a mitigar algumas das suas deficiências. Mais notável é, talvez, Bernd Fritzke de crescimento neural de gás,[6] mas também deve-se mencionar ainda outro tipo de informação, tais como o Crescimento, Quando Necessário de rede[7] e também o incremental de crescimento neural de gás.[8]
Growing neural gas[editar | editar código-fonte]
Fritzke descreve o crescimento neural gás (GNG) como um incremental o modelo de rede que aprende topológica relações por meio de uma "Hebb-como a aprendizagem de regra", apenas, ao contrário neural de gás, que não tem parâmetros que mudam ao longo do tempo e é capaz de contínua aprendizagem.
Crescimento, quando necessário[editar | editar código-fonte]
Ter uma rede com um conjunto cada vez maior de nós, como a implementada pelo GNG algoritmo foi visto como uma grande vantagem, no entanto, algumas limitações na aprendizagem foi visto pela introdução do parâmetro λ, em que a rede só seria capaz de crescer quando iterações foram um múltiplo deste parâmetro. A proposta para atenuar este problema foi um novo algoritmo, o Crescimento, Quando Necessário rede (GWR), o que seria a rede a crescer mais rapidamente, adicionando nós o mais rapidamente possível sempre que a rede identificou que os nós existentes não descrevem a entrada de bem o suficiente.
Incremental de crescimento neural gás[editar | editar código-fonte]
Outro neural gás variante inspirado no GNG algoritmo incremental de crescimento neural gás (IGNG). Os autores propõem a principal vantagem desse algoritmo para ser "a aprendizagem de novos dados (plasticidade), sem degradar o previamente treinados rede e esquecer a idade de entrada de dados (estabilidade)."
Referências
- ↑ Thomas Martinetz and Klaus Schulten (1991). «A "neural gas" network learns topologies» (PDF). Artificial Neural Networks. Elsevier. pp. 397–402
- ↑ F. Curatelli and O. Mayora-Iberra (2000). «Competitive learning methods for efficient Vector Quantizations in a speech recognition environment». In: Osvaldo Cairó, L. Enrique Sucar, Francisco J. Cantú-Ortiz. MICAI 2000: Advances in artificial intelligence : Mexican International Conference on Artificial Intelligence, Acapulco, Mexico, April 2000 : proceedings. Springer. p. 109. ISBN 978-3-540-67354-5
- ↑ Angelopoulou, Anastassia and Psarrou, Alexandra and Garcia Rodriguez, Jose and Revett, Kenneth (2005). «Automatic landmarking of 2D medical shapes using the growing neural gas network». In: Yanxi Liu, Tianzi Jiang, Changshui Zhang. Computer vision for biomedical image applications: first international workshop, CVBIA 2005, Beijing, China, October 21, 2005 : proceedings. Springer. p. 210. ISBN 978-3-540-29411-5. doi:10.1007/11569541_22
- ↑ Fernando Canales and Max Chacon (2007). «Modification of the growing neural gas algorithm for cluster analysis». In: Luis Rueda, Domingo Mery, Josef Kittler, International Association for Pattern Recognition. Progress in pattern recognition, image analysis and applications: 12th Iberoamerican Congress on Pattern Recognition, CIARP 2007, Viña del Mar-Valparaiso, Chile, November 13–16, 2007 ; proceedings. Springer. pp. 684–693. ISBN 978-3-540-76724-4. doi:10.1007/978-3-540-76725-1_71
- ↑ http://wwwold.ini.rub.de/VDM/research/gsn/JavaPaper/img187.gif[ligação inativa]
- ↑ Fritzke, Bernd (1995). «A Growing Neural Gas Network Learns Topologies». Advances in Neural Information Processing Systems. 7: 625-632. Consultado em 26 de abril de 2016
- ↑ Marsland, Stephen; Shapiro, Jonathan; Nehmzow, Ulrich (2002). «A self-organising network that grows when required». Neural Networks. 15 (8): 1041–1058. doi:10.1016/s0893-6080(02)00078-3. Consultado em 26 de abril de 2016
- ↑ Prudent, Yann; Ennaji, Abdellatif (2005). «An incremental growing neural gas learns topologies». Neural Networks, 2005. IJCNN'05. Proceedings. 2005 IEEE International Joint Conference on. 2: 1211–1216. Consultado em 26 de abril de 2016
Leitura complementar[editar | editar código-fonte]
- T. Martinetz, S. Berkovich, e K. Schulten. "Neural-gas de Rede" para a Quantização de vetores e sua Aplicação para o Tempo-Previsão de Séries. IEEE-Transactions on Neural Networks, 4(4):558-569, 1993.
- «Topology representing networks». Neural Networks. 7. doi:10.1016/0893-6080(94)90109-0
Ligações externas[editar | editar código-fonte]
- DemoGNG.js Javascript simulador Neural Gás (e outros modelos de rede)
- Java Competitivo Aplicativos para Aprendizagem Supervisionada, Redes Neurais (incluindo Self-organizing map) em Java, com códigos fonte.
- descrição formal das Neural gás algoritmo
- Um GNG e GWR Classificador de implementação em Matlab