Umetne Nevronske Mreže UNM (ANN)

Transcription

1 Umetne Nevronske Mreže UNM (ANN) Glede na način učenja se ločujejo na Nenadzorovane (1) Nadzorovane () (1) Kohonenove nevronske mreže () Nevronske mreže z vzratnim širjenjem napake (error back propagation NN) (..1) Protitočne nevronske mreže (counterpropagation NN) () RBF nevronske mreže (radial basis function) 1

2 Začetki 194: McCulloch in Pitts, "A Logical Calculus of Ideas Immanent in Nervous Activity" Leta1949: Donald Hebb, The Organization of Behavior, predlaga Hebb-ovo pravilo (ojačitev povezave med sosednjimi vzbujenimi nevroni, ta aktivnost je osnova za učenje in memoriranje). Leta 196: Frank Rosenblatt, knjiga Principles of Neurodynamics z uporabo McCulloch-Pitts-ovega nevrona in Hebbovega pravila razvije prvi perceptron. Leta1969: Minsky in Papert, knjiga Perceptroni utemeljitev, zakaj imajo preceptroni teoretične omejitve pri reševanju nelinearnih problemov. Leta 198: John Hopfield, vpelje nelinearnost v osnovno funkcijo nevrona. S tem odpravi pomanjkljivosti in odpre novo obdobje raziskav umetnih nevronskih mrež.

3 XOR Input x 1 Input x Output

4 Tuevo Kohonen (rojen 194), Finski akademik. Selforganizing maps Kohonen, Leta1960: T. Kohonen vpelje nov koncept v neural computing asociativni spomin, optimalno asociativno mapiranje, self-organizing feature maps (SOMs). Kohonen, T. and Honkela, T. (007). "Kohonen network Leta 1986: Rumelhart s sodelavci objavili nov algoritem za tako nevronske mreže s vzvratnim širjenjem napake (error back-propagation) 4

5 Nature, 5-56 (09 October 1986); doi:10.108/5a0 Learning representations by back-propagating errors DAVID E. RUMELHART *, GEOFFREY E. HINTON & RONALD J. WILLIAMS * * Institute for Cognitive Science, C-015, University of California, San Diego, La Jolla, California 909, USA Department of Computer Science, Carnegie-Mellon University, Pittsburgh, Philadelphia 151, USA To whom correspondence should be addressed. We describe a new learning procedure, back-propagation, for networks of neurone-like units. The procedure repeatedly adjusts the weights of the connections in the network so as to minimize a measure of the difference between the actual output vector of the net and the desired output vector. As a result of the weight adjustments, internal 'hidden' units which are not part of the input or output come to represent important features of the task domain, and the regularities in the task are captured by the interactions of these units. The ability to create useful new features distinguishes back-propagation from earlier, simpler methods such as the perceptron-convergence procedure 1. References 1. Rosenblatt, F. Principles of Neurodynamics (Spartan, Washington, DC, 1961).. Minsky, M. L. & Papert, S. Perceptrons (MIT, Cambridge, 1969).. Le Cun, Y. Proc. Cognitiva 85, (1985). 4. Rumelhart, D. E., Hinton, G. E. & Williams, R. J. in Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Vol. 1: Foundations (eds Rumelhart, D. E. & McClelland, J. L.) 18 6 (MIT, Cambridge, 1986). 5

6 Predstavitev nevronov Vhodni signali X x 1 x x j x m Sinapse ali uteži w j Telo nevrona Akson Uteži w j Telo nevrona x 1 x x j x m Izhodni signal y Izhodni signal y

7 Izhodni signali nevronov Error Back Propagation nevronske mreže (perceptron) Net j = S i=1,k w ji x i a ( Net q ) y 1 1 e Y signal out y = f (Net ) y = f (Net ) a y = f (Net ) a Net 0 Net 0 Net q q q a) b) c) 7

8 Različne oblike EBP nevronskih mrež x 1 x x 1 x Net j = S i=1,k w ji x i w 11 w 1 w 1 w 1 w w w 11 w 1 w 1 w 1 w w b w 1b w w b y 1 y y y 1 y y x 1 x Bias w h 11 w h 1 w h 1 w h w h b Skriti nivo w h ji (6 uteži) Izhodni nivo w o ji (9 uteži) w o 11 w o 1 w h 1b w o 1 w o 1 w o w o 1b w o b w o w o b y 1 y y 8

9 w l ji hidden j Popravljanje uteži v nevronski mreži z vzvratnim širjenjem napake out n l j r ( k k 1 l 1 j output w w T o k p o p r a v k o v output kj )y l,prejšnji ji hidden j ( 1 vhodna plast: ni popravkov. popravki uteži v prvi skriti plasti. popravki uteži v drugi skriti plasti 1. popravki uteži v izhodni plasti signal out y hidden j ) x s1 x s bias signal 1 e Neaktivna vhodna plast: razporeditev spremenljivk x si 1. transformacija iz x si v out sj 1. transformacija iz out sj 1 v out sk. transformacija iz out sk v y sj 1 a ( Net q ) Net j = S i=1,k w ji x i T o k p o d a t k o v output j output output (t y )y ( 1 j j j y output j ) y s1 y s y s 9

10 V izračunu poravka vsake uteži upoštevamo podatke iz treh plasti nevronov i-ti nevron v skriti-1 plasti da izhodni signal enak y i hidden-1 w l ji out l j l 1 j w l,prejšnji ji j-ti nevron v skriti plasti da signal enak y hidden i w ji hidden Skrita plast w 1j output w j output w kj output w rj output Izhodna plast Izhodni nevroni, ki dajo signal y k output 1 1 output output k k output r r output y 1 output y output y k output y r output hidden j n r ( k k 1 output w output kj )y hidden j ( 1 y hidden j ) 10

11 Kohonenova nevronska mreža Vhodni objekt X s x 1 x x x 4 x 5 x 6 x 7 x 8 Kohonenova mreža Nivoji uteži Nivo uteži št. Nivo uteži št. 6 Posamezna utež 11

12 1 x 1 x x x 4 y 1 y y y 5 y n

13 x 1 x x x 4 x 1 x x x 4 y y 1 y y j y n y n-1 y n y 1 y a c c d b d Heksagonalna postavitev nevronov 1

14 A A A A,C B A A A,C C B A C C C B C C C B C C C B B C C C,B B B B B C C B B B B , , , , , , , ,

15 Mapa uteži spremenljivke x koncentracija pigmenta A Zgornja mapa s celicami, ki vsebujejo informacijo o kvaliteti barve (oznake A, B, in C) Vhodni objekt X s (receptura za barvo) predstavljen s tremi spremenljivkami Solvent x 1 Pigment x Binder x

16 Protitočna (counterpropagation) nevronska mreža Vhodna Kohonenova plast Vhodni objekt: X s x s1 x s x s x s4 x s5 x s6 x s7 x s8 Vzbujeni nevron W e Položaj vzbujenega nvrona W e se preslika v izhodno Grosbergovo plast Izhodna ali Grossbergova plast nevronov t s1 t s t s t s4 Potem, ko preslikamo položaj W e odgovor T s :vstopi v izhodno Grossbergovo plast 16

17 Radial Basis Function nevronske mreže Input: x 1 x Vhodni nivo 5 RBF nodes Bias w 1 w w w 4 w 5 w bias Output: y 1 17

18 RMSE RMSE training RMSE test Best model Best RMSE for test set Epohe (v tisočih) 18

19 Concentration of SO [mg/m ] Input Hidden Output (=input) 100 x 1 x x X j 400 x m 17 input variables are the same 17 output variables as targets Output value of the hidden node 1 19

20 KOHONENOVE IN PROTITOČNE (COUNTERPROPAGATION) NEVRONSKE MREŽE Študijska literatura 1. J. Zupan, J. Gasteiger, Neural Networks in Chemistry and Drug Design, Wiley-VCH, Weinheim, J. Zupan, Računalniške metode za kemike, DZS, Ljubljana, 199. Teach/Me software, Hans Lohninger, Springer Verlag Berlin T. Kohonen, Self-Organizing Maps, Springer-Verlag Berlin R. Hecht-Nielsen, "Counterpropagation networks, Applied Optics, 6, , R. Hecht-Nielsen, "Applications of counterpropagation networks, Neural Networks, 1, 11-19, R. Hecht-Nielsen, Neurocomputing, Reading, MA: Addison-Wesley, J. Zupan, M. Novič, I. Ruisánchez. Kohonen and counterpropagation artificial neural networks in analytical chemistry : tutorial. Chemometr. intell. lab. syst., 1997, vol. 8, str

21 Vsebina: Osnovna struktura umetnih nevronskih mrež Kohonenove umetne nevronske mreže (K-UNM) Protitočne (Counterpropagation) umetne nevronske mreže -D preslikava (mapiranje) s Kohonenovo UNM Klasifikacija Modeliranje Primeri uporabe Mapiranje IR spektrov Modeli za napovedovanje toksičnosti (log(1/ld50) za Tetrahymena pyroformis), preko 00 hidroksisubstituiranih aromatskih spojin 1

22 Umetne nevronske mreže (UNM) kot črna skrinja pri odločitvah vhodni signali izhodni signali strategije učenja nenadzorovano nadzorovano

23 UNM kot črna skrinja pri odločitvah Razpoznavanje vzorcev, določitev lastnosti, kontrola procesov... Vhodni signal UNM + Net k Vhodni signal: X=(x 1,x,...x i,...x m ) UNM postane uporabna šele potem, ko jo naučimo naših podatkov. Izhodni signal Izhodni signal: Y=(y 1,y,...y j,...y n )

24 Nenadzorovano učenje Razmerje med objektom in tarčo ni vnaprej definirano. Objekt X=(x 1,x,...x i,...x m ) Tarča Y=(ni poznana) 4

25 Nenadzorovano učenje Primer: Izvor italjanskih oljčnih olj Objekt: X=(x 1,x,...x i,...x 8 ) 57 vzorcev Tarča: Y (ni poznana) x 1...x 8 : % maščobnih kislin: (1)palmitinska, ()palmitoleinska, ()stearinska, (4)oleinska, (5)linoleinska, (6)arašidna (eikosanoična), (7)linolenska, (8)eikosenoična 5

26 Razred Pokrajina 1 North Apulia 5 Calabria 56 South Apulia 06 4 Sicily 6 5 Inner Sardinia 65 6 Coastal Sardinia 7 East Liguria 50 8 West Liguria 50 9 Umbria 51 S 57 Število vzorcev J. Zupan, M. Novic, X. Li, J. Gasteiger, Classification of Multicomponent Analytical Data of Olive Oils Using Different Neural Networks, Anal. Chim. Acta, 9, (1994),

27 Nadzorovano učenje Razmerje med objektom in tarčo je poznano vnaprej, kar pomeni, da za poljuben objekt natančno vemo, katera tarča mu pripada oziroma jo želimo doseči. Objekt Tarča X=(x 1,x,...x i,...x m ) Y=(y 1,y,...y j,...y n ) 7

28 Nadzorovano učenje Primer: Klasifikacija točk glede na kvadrante v kartezičnem koordinatnem sistemu Objekt: X=(x 1,x,...x i,...x m ) Tarča: Y=(y 1,y,...y j,...y n ) m= n=1 n= X=( 1, 1) Y=1 Y=(1,0,0,0) X=(-1, 1) Y= Y=(0,1,0,0) X=( -1,-1) Y= Y=(0,0,1,0) X=(1,-1) Y=4 Y=(0,0,0,1) 8

29 Nadzorovano učenje Primer Y= x Y= 1 Y= Y= 4 x 1 X=(x 1,x ) Y=(y 1,y,y,y 4 ) n=1 n= Y=1 Y=(1,0,0,0) Y= Y=(0,1,0,0) Y= Y=(0,0,1,0) Y=4 Y=(0,0,0,1) 9

30 Osnove Kohonenovih umetnih nevronskih mrež - organizacija nevronov - 1-dimenzionalna (v vrsti) - -dimenzionalna (v ravnini) - analogija Kohonenove UNM z možgani - učna strategija - zmagovalec dobi vse - parameteri hitrosti učenja - velikost in obseg popravkov uteži - krčenje območja sosedov - razpoznavanje objektov iz učnega niza - napoved neznanih objektov - vrhnja plast VP ( top-layer ) z oznakami - prazni prostori v VP - klastri v VP - konflikti v VP - nivoji uteži 0

31 Nevron je definiran kot niz uteži W j j-ti nevron; w ji i-ta utež j-tega nevrona W j [w ji i=1 m ] w j1 w j w j w j4 w j5 w j6 1

32 Organizacija nevronov W j j=1,n w ji, i=1,m n: število nevronov m: dimenzija nevronov Dimenzija nevronov m mora biti enaka dimenziji reprezentacije objektov (številu neodvisnih spremenljivk)!

33 1-dimenzionalna organizacija nevronov (v vrsti) X [x,x,x ] 1 m= W W W W W W n=6 W 1 W W W 1 W W W 4 W W W W W 5 W 6 W 4 W 5 W W 6 W

34 -dimenzionalna organizacija nevronov (v ravnini) X [x,x,x ] 1 j =1,6 x n = 6 x Število nevronov je n = n x n y = 4 (6x4) j =1,4 y n = 4 y W j x,j y,1 W j,j, x y W j,j, x y W j,j x y 4

35 Kohonenove nevronske mreže lahko uporabljamo za nelinearne projekcije več-dimenzionalnih objektov v dvo-dimenzionalen prostor ravnino (mapiranje) "homunculus" V možganih so področja nevronov, ki kontrolirajo gibanje motoriko posameznih delov človeškega telesa, organizirana eno zraven drugega, kot na navideznem zemljevidu človeškega telesa. Vendar velikost posameznih področij ne ustreza velikosi organa, katerega gibanje kontrolira. Velikost področja je sorazmerna pomembnosti in kompleksnosti njegovih aktivnosti. 5

36 "homunculus" 6

37 Strategija učenja - zmagovalec dobi vse" Winner = W win min (ε j ) x i w ji ε j ej å m ( xi w ji) i 1 objekt - komponente vektorja X j ti nevron komponente vektorja W (uteži) razlika med objektom in j tim nevronom 7

38 Analogija med biološkim in simuliranim nevronom: W =W win j x j y Signal vzbudi en sam nevron v celem šopu realnih, bioloških nevronov. j = y j =5 x V računalniški simulaciji je vzbujeni (zmagovalni) nevron W win določen s koordinato svojega položaja v UNM W win =W j xjy 8

39 POPRAVLJANJE: zmagovalni" nevron + okoliški nevroni Parameter hitrosti učenja: η(t,r(t))) t: čas učenja r(t): okolica (sosedni nevroni) w novi ji w stari ji ( i 1, m j 1, n s 1, p x si w stari ji ) 9

40 Proces, v katerem popravimo zmagovalni nevron in ustrezne okoliške nevrone glede na en sam (s ti ) objekt, imenujemo ena iteracija učnega procesa. Potem ko skozi mrežo pošljemo enega za drugim vse objekte (p) in naredio ustrezne popravke uteži, pravimo, da smo zaključili eno učno epoho. p iteracij = 1 epoha 40

41 Ena epoha učenja Kohonenove mreže e X - s W stari sosed s=1 X s W stari sosed e ji W novi sosed NET w i n n e r n e i g h b o u r s s=s+1 Ponavljaj do s=p obj p : število objektov v učnem nizu w novi ji w stari ji ( x w si 41 ) stari ji

42 Velikost in obseg popravkov: Krčenje obsega sosedov max r Flat function Triangular function Mexican hat function r c Chef hat function 4

43 4

44 Razpoznavanje objektov iz učnega niza Ko je učenje končano, morajo biti vsi objekti iz učnega niza razpoznavni Zgornji pogoj je praviloma dosežen, ko je vsota napak v eni epohi ε epoh pod določeno mejo. e epoh p s 1 n m j 1 i 1 ( ) x si w ji 44

45 Vrhnja plast (VP) z oznakami: W =W win j x j y -prazni nevroni v VP -klastri v VP -konflikti v VP j = y j =5 x n x NET A A A A A A A A A A A K K E K K E KK E K E EE K E E E E E E E E 11x11 n=11 A = Acid E = Ester n y K = Ketone 45

46 Modifikacija Kohonenove UNM Dodatna plast izhodnih nevronov spremeni Kohonenovo v protitočno ( counterpropagation ) umetno nevronsko mrežo Objekt je sestavljen iz opisnega vektorja X (neodvisni) in lastnosti - Y (vektor odvisnih spremenljivk ali tarče) Vhodni nevroni W (vhodna ali Kohonenova plast) Izhodni nevroni O (izhodna ali Grosbergova plast) Določanje zmagovalnega nevrona samo v vhodni plasti glede na podobnost med X in W Popravljanje uteži v obeh plasteh na enak način, glede na razliko med X-W in Y-O 46

47 Kohonenova - vhodna plast w new ji w ( i 1, m j 1, n s 1, p old ji x si w old ji ) Učenje z X o new ji Izhodna plast o ( y i 1, t j 1, n s 1, p old ji si o old ji ) O W j x j y Učenje z Y 47

48 Protitočna (counterpropagation) mreža (CP-UNM) X: reprezentacija molekulske strukture CP ANN j x j y neurons (5 5) i=1 Xi i=644 Y: tarča lastnost P: Napoved lastnost 48

49 Protitočna (counterpropagation) mreža (CP-UNM) X: reprezentacija molekulske strukture CP ANN j x j y neurons (5 5) D j x j y ( ) x w i i i, j x j y i=1 Mapiranje v Kohonenovi plasti Xi Uteži: Wj x j y i Zmagovalni nevron i=644 Y: tarča lastnost P: Napoved lastnost Napoved v Izhodni plasti 49

50 Protitočna (counterpropagation) mreža (CP-UNM) za napoved vezavne afinitete za ERa Y Xj Izhodna plast - ravnina odgovorov HOMO-LUMO energija 50