Upload
enye
View
26
Download
0
Embed Size (px)
DESCRIPTION
Wismar Business School. Wissensextraktion mittels künstlicher neuronaler Netze Autoassoziative Netze. Uwe Lämmel. www.wi.hs-wismar.de/~laemmel [email protected]. 1. 2. 3. 4. 1. 2. 3. 4. Hopfield-Netz. Analogie zur Thermodynamik: Viele Teilchen mit starken Wechselwirkungen - PowerPoint PPT Presentation
Citation preview
Neuronale Netze - Autoassoziative Netze Folie 1
Uwe Lämmel
Wismar Business School
www.wi.hs-wismar.de/~laemmel
Wissensextraktion mittels
künstlicher neuronaler Netze
Autoassoziative Netze
Neuronale Netze - Autoassoziative Netze Folie 2
Hopfield-Netz
1 2 3 4
1
2
3
4
Analogie zur Thermodynamik:Viele Teilchen mit starken Wechselwirkungen
Neuron entspricht einem Teilchen
Lernen: Finden eines Energieminimums (lokal) für die Teilchenmenge (Netz)
Neuronale Netze mit Rückkopplung
Jedes Neuron ist mit allen anderen Neuronen verbunden(ohne direkte Rückkopplung
Neuronale Netze - Autoassoziative Netze Folie 3
Autoassoziative Netze Rückgekoppelte Netze Keine Unterteilung in Eingabe-, Ausgabe-Neuronen Aktivierung eines Neurons zum Zeitpunkt t
abhängig (indirekt) von Aktivierungen zu Zeiten tj<t-1
Natürliches neuronales Netz ist KEIN Vorbild Paradigma: Teilchenverhalten in festen Stoffen
Neuronale Netze - Autoassoziative Netze Folie 4
Hopfield-Architektur
Alle Verbindungen symmetrisch: wij = wji
Ausgabe des Netzes, wenn keine Änderung der Ausgabewerte aller Neuronen
netj(t+1) = wijoi(t)
1 , netj(t+1) > j oj(t+1) = f(netj(t+1)) = 0 , netj(t+1) < j
oj(t), sonst (*)
Netz-Energie: E = -½ wij oioj+ ioi
Ziel der Verarbeitung: Stabiler Zustand Minimale Netz-
Energie
Neuronale Netze - Autoassoziative Netze Folie 5
Stabilität / Muster
Stabilitätstheorem von Cohen/Großberg 1993:– Rekurrente Netze sind stabil, falls
– Gewichtsmatrix W symmetrisch 1. wij = wji und
– Hauptdiagonale 0 ist: 2. i | wii = 0
Auffinden der Gewichte:
– Sei m ein Muster m=(m1,...,mk).
– Ein Hopfield-Netz speichert das Muster m, falls:– Bias-Werte i=1 und
– Gewichte: wij = mimj, ij
Neuronale Netze - Autoassoziative Netze Folie 6
Lernen – Einschwingen
Wiederhole Wähle zufällig eine Neuron aus;Bestimme Zustand des Neurons nach
1 , netj(z+1) > j oj(t+1) = f(netj(t+1)) = 0 , net(j(t+1) < j
oj(t), sonstbis keine Änderung mehr.
Neuronale Netze - Autoassoziative Netze Folie 7
Energie-Betrachtung
Bei keinem Propagierungsschritt wird das Energie-Niveau größer!– Mit jedem Schritt wird Energie-Niveau
kleiner oder bleibt gleich
i j iiijiij
i j iiijiij
ooow
ooowE
2
1
'''2
1
EEE '
Neuronale Netze - Autoassoziative Netze Folie 8
Energie-Differenz
Man betrachte die Möglichkeiten für oz
E ist stets <= 0
zi
zzziizzi
zzziiz ooowooowE
EEE
'''
'
zzzi
iizzzzzi
iiz oowooowE
i
iizz ownet
zzz onetE )(
Aktivierung von Neuron z wird neu berechnet:
Neuronale Netze - Autoassoziative Netze Folie 9
Anwendungen/Beispiel
Finden lokaler Minima zum Wiederherstellen verrauschter Eingaben;Energieminimum entspricht unverrauschter Eingabe
Ein Netz mit N Neuronen kann höchstens 0.14*N verschiedene Muster speichern
Die Verwendung der Aktivierung {-1,+1} zeigt bessere Ergebnisse
Wiederherstellen von verrauschten Pixelmustern: – Siehe Excel-Datei Hopfield.xls– Beispiel Kruse, Datei HOP_ASSO.*– Demo-Programm Hopfield-Demo.zip
Ausführen von Hopfield.jar
Neuronale Netze - Autoassoziative Netze Folie 10
Boltzmann-Maschine
Vermeidung des Stabilisierens in einem lokalen Minimum Neuronen verändern ihren Zustand entsprechend einer
Wahrscheinlichkeitsverteilung (einziger Unterschied zu den Hopfield-Netzen)(Statistische Methode, Boltzmann-Maschine, Simulated Annealing)
Energie wie vorher: E = -½ wij oioj + ioi
Neuronale Netze - Autoassoziative Netze Folie 11
Boltzmann-Aktivierung
Die Änderung der Aktivierung eines Neurons ist nun:
1 , random() flogistic(Ek/T)ok(t+1) = fact,k(netk) = 0 , sonst
Ek - Differenz der Energien des Netzes für die Zustände, in denen Neuron k die Ausgabe 1 bzw. 0 hatte;
T - künstlicher Temperaturparameter, wird während des Verfahrens kleiner
Für große T ist Wahrscheinlichkeit, dass oi=1 ist: 0.5
Neuronale Netze - Autoassoziative Netze Folie 12
Boltzmann - Einschwingvorgang
beginWähle genügend großen Temperaturwert T
repeatrepeat
Wähle zufällig Neuron i ausBestimme neuen Ausgabewert oi
until thermisches Gleichgewicht (Energieniveau im Mittel konstant)
Verringere Temperatur
until Stabiler Zustand
end
Neuronale Netze - Autoassoziative Netze Folie 13
Boltzmann - Hinweise
Zum langsamen “Abkühlen” wird Abkühlungsplan aufgestellt:
– Startwert T0
– Anzahl der Verarbeitungsschritte LT bei geg. Temperaturniveau T
– Vorschrift zur Senkung von T, oft T=1/(Nr des Zeitschritts)
– Abbruchkriterium Bei jeder Temperatur T>0 ist es möglich,
dass höhere Temperaturniveau angenommen wird. Anwendung: Optimierungsprobleme
Neuronale Netze - Autoassoziative Netze Folie 14
Anwendung in der Optimierung
Netz schwingt in Energie-Minimum ein Optimale Lösung ~ Energie-Minimum? Problem:
– Bestimmung der Gewichte Beispiel:
– N-Dame-Problem– Travelling Salesman Problem
Neuronale Netze - Autoassoziative Netze Folie 15
Aufgaben
Man betrachte ein Hopfield-Netz aus 3 Neuronen, alle wij=1,=1.Berechnen Sie von Hand die Ausgabe des Netzes für die Eingabe in=(0,1,1).
Entwickeln Sie auf dem Papier ein Hopfield-Netz, welches das Pixel-Muster speichert.
Wie reagiert das Netz auf die Eingabe des Musters:
Nutzen Sie die Hopfield-Demo und ermitteln Sie den Einfluss der Größe des Schwellwertes auf die Ergebnisse.
Machen Sie sich mit dem Demo-Programm zur Lösung des N-Dame-Problems vertraut (Kruse).
Neuronale Netze - Autoassoziative Netze Folie 16
Aufgaben Max-Cut-Problem (Aus Kruse ):
Ein ungerichteter aber gewichteter Graph soll so in zwei Teilmengen zerteilt werden, dass die Summe der Gewichte aller Kanten zwischen den Teilmengen maximal ist. (Anwendungen im Chip-Entwurf, Netz-Konfigurationen)
Machen Sie sich anhand des folgenden Graphs mit der Problematik vertraut:
Benutzen Sie BLZ_MAXC.EXE (Neuronales Netz) und vergleichen Sie die Lösung mit der algorithmisch berechneten BLZ_COMP.EXE.
1 2
3 4 5
1
3
5
4
2
2
0 1 3 0 00 0 2 40 5 00 20
Gewichte in Datei:
Neuronale Netze - Autoassoziative Netze Folie 17
Ende