RNA – Radial Basis Function

Apresentação em tema: "RNA – Radial Basis Function"— Transcrição da apresentação:

1 RNA – Radial Basis Function
Aula 6 RNA – Radial Basis Function 1 1 1

2 2- Processo de Treinamento 2.1 Camada Intermediária 2.2 Camada Saída
Sumário 1- Introdução 2- Processo de Treinamento 2.1 Camada Intermediária 2.2 Camada Saída 3- Aplicabilidade 4- Projeto Prático 2 2 2

3 1- Introdução - Redes com função de base radial – Radial Basis Function (RBF). Diferentemente da MLP, possui apenas uma camada intermediária com funções de ativação, na marioria dos casos, do tipo gaussiana. 3 3 3

4 1- Introdução - Estratégia de treinamento diversificada:
- Primeira camada é tratada como não supervisionada. - Segunda camada (camada final) é supervisionada. Segue a arquitetura feedforward de camadas múltiplas; - Aplicações semelhantes à MLP. A imagem apresenta uma MLP com 2 neurônios e uma RBF com apenas 1. 4 4 4

5 2 – Processo de Treinamento – Camada Intermediária
- Estratégia auto-organizada, não apresentando supervisão. - A função de ativação é uma função do tipo gaussiana: c: centro da função gaussiana σ²: variância u: potencial de ativação 5 5 5

6 2 – Processo de Treinamento – Camada Intermediária
- O centro c está associado ao peso, o uj será o próprio vetor de entrada x, chegando à: - O principal objetivo dos neurônios da camada intermediária é posicionar os centros de suas gaussianas de forma mais apropriada possível, por exemplo utilizando métodos como o k-means, posicionando o centro k em regiões onde os padrões de entrada tenderão a se agrupar. 6 6 6

7 2 – Processo de Treinamento – Camada Intermediária
Selecionando inicialmente qualquer x como centróide. Após ajustes dos clusters Ω, obtém-se: 7 7 7

8 2 – Processo de Treinamento – Camada Saída
- Segue os mesmo procedimentos da MLP com algoritmo Regra Delta generalizada. Calculando o valor da saída 8 8 8

9 3 – Aplicabilidade - Aproximação de funções: Amostras de treinamento
Arquitetura da rede 9 9 9

10 3 – Aplicabilidade - Classificação de padrões como a MLP
Delimitação das fronteiras de classificação com uma MLP e uma RBF. 10 10 10

11 4- Projeto Prático 11 11 11

12 Referências: Silva, IN da, Danilo Hernane Spatti, and Rogério Andrade Flauzino. "Redes neurais artificiais para engenharia e ciências aplicadas." São Paulo: Artliber (2010). 12 12 12