Implementação de Redes Neurais para Classificação de Odores

Apresentação em tema: "Implementação de Redes Neurais para Classificação de Odores"— Transcrição da apresentação:

1 Implementação de Redes Neurais para Classificação de Odores
Akio Yamazaki Aula Prática – Disciplina de Redes Neurais –

2 Reconhecimento de Padrões (Rede Neural)
Nariz Artificial Reconhecimento de Padrões (Rede Neural) Sensores Pré-processamento ... S1 S2 S6 Substância

3 Problema Abordado Base de Dados:
Classificação entre odores de duas safras de vinho (A e B) Para cada safra, as resistências dos sensores foram registradas a cada 0.5s. Cada conjunto de seis valores registrados no mesmo instante de tempo é um padrão (total de 200 padrões, sendo 100 da safra A e 100 da safra B). Divisão do Conjunto de Padrões (Proben1): 50% dos padrões de cada safra escolhidos aleatoriamente para treinamento, 25% para validação, e 25% para teste.

4 Respostas dos Sensores
Resistência 2 1 S1 S2 S3 S4 S5 S6 3 4 100 ... Tempo (x0.5s)

5 Rede MLP Rede MLP: Uma camada intermediária,
6 unidades de entrada (uma para cada sensor), 2 unidades de saída (uma para cada safra de vinho), Função de ativação sigmóide logística, Todas as possíveis conexões entre camadas adjacentes, sem conexões entre camadas não-adjacentes,

6 Pré-processamento Vinho A Vinho B Vinho A Vinho B Normaliza e
1 100 Vinho A Padrão t Vinho B 1 100 Vinho A 0 1 Vinho B 1 0 Padrão normalizado t Saída Normaliza e acrescenta saídas

7 Pré-processamento Normalização:
Padrões normalizados para a faixa entre 0 e 1 (unidades com função de ativação sigmóide logística), Expressão de normalização: onde xnorm é o valor normalizado correspondente a x, e xmin e xmax são os valores mínimo e máximo entre todos os valores do conjunto. Obs.: Também pode ser feita separadamente por sensor.

8 Pré-processamento Vinho A Vinho B Vinho A Vinho B Vinho A (50%)
1 100 Vinho A 0 1 Vinho B 1 0 34 12 Vinho A 0 1 46 Vinho B 1 0 78 08 61 Randomiza Particiona

9 Pré-processamento Treinamento Validação Teste Vinho A (50%)
Vinho B (50%) Vinho B (25%) Vinho A (50%) Vinho B (50%) Vinho A (25%) Vinho B (25%) Treinamento Validação Teste Randomiza

10 Treinamento 0 1 Treinamento

11 Soma dos Erros Quadráticos (SSE)
Saídas da rede: Saídas desejadas: Soma dos erros quadráticos (SSE): SSE = (0.98 – 1)2 + (0.12 – 0) (0.16 – 0)2 + (0.02 – 0)2 + (0.96 – 1) (0.88 – 1)2

12 Parada por erro mínimo de treinamento
SSE Parada Conjunto de treinamento Erro mínimo de treinamento Iteração Conjunto de validação (observado a cada 3 iterações) Erro alto para dados não usados no treinamento (não generaliza bem) Iteração

13 Usando o critério da perda de generalização
Perda de Generalização (Proben1): GL(iteração) = 100 * [(Erro atual de validação /Erro mínimo de validação) – 1] Para este exemplo, interrompe treinamento quando GL > 5% a GL(1) = 100*[(a/a) – 1] = 0 SSE d GL(2) = 100*[(d/d) – 1] = 0 c GL(3) = 100*[(c/d) – 1] < 5% b GL(4) = 100*[(b/d) – 1] > 5% Conjunto de validação É importante salvar as configurações (melhor rede foi a da iteração 2). Iteração