Dipartimento di Informatica e Sistemistica TECNOLOGIE DEI SISTEMI DI CONTROLLO RETI NEURALI...
-
Upload
gioia-vigano -
Category
Documents
-
view
212 -
download
0
Transcript of Dipartimento di Informatica e Sistemistica TECNOLOGIE DEI SISTEMI DI CONTROLLO RETI NEURALI...
Dipartimento diInformatica e Sistemistica
TECNOLOGIE DEI SISTEMI DI CONTROLLORETI NEURALI
Alessandro DE CARLI Anno Accademico 2006-07
2
RETI NEURALI
• STRUTTURE DI ELABORAZIONE COMPOSTE DA MOLTI
ELEMENTI “SEMPLICI” (NEURONI ) CONNESSI E
OPERANTI IN PARALLELO
• ISPIRATE AI SISTEMI NERVOSI BIOLOGICI
• COMPORTAMENTO DELLA RETE DETERMINATO
DALLE CONNESSIONI FRA NEURONI
ADDESTRARE UNA RETE NEURALE
TROVARE I PESI (OTTIMI) DELLE CONNESSIONI AFFINCHE’
LA RETE ABBIA IL COMPORTAMENTO DESIDERATO
SIGNIFICATO 2
RETI NEURALI
ABILITA’ DELLE RETI NEURALI
APPRENDERE RELAZIONI COMPLESSE
(TIPICAMENTE, NON LINEARI E MULTIVARIABILI)
DA ESEMPI GENERALIZZAZIONE
• MIGLIORANO LA CAPACITÀ DI MODELLAZIONE ALL’AUMENTARE DELLA SPECIALIZZAZIONE DELLA STRUTTURA NEURALE
• PERMETTONO DI SUPERARE LE DIFFICOLTÀ DELLA MODELLAZIONE MATEMATICA MEDIANTE EQUAZIONI ALGEBRICHE E DIFFERENZIALI
• SONO ROBUSTE RISPETTO ALLA INTERRUZIONE DI ALCUNE CONNESSIONI O ALLA CARENZA DI ALCUNI DATI
USCITE SIMILI PER INGRESSI SIMILI
3UTILIZZAZIONE 3
RETI NEURALI
APPLICAZIONI
• PATTERN RECOGNITION • CLASSIFICAZIONE, CLUSTERING• MODELLAZIONE• VISIONE ARTIFICIALE• CONTROLLO
PRINCIPALE VANTAGGIO DELLE RETI NEURALI È
RICONOSCERE CONFIGURAZIONI ACQUISITE DURANTE
L’APPRENDIMENTO O INDIVIDUARE MODALITÀ DI
FUNZIONAMENTO SCONOSCIUTE DI SISTEMI COMPLESSI
4APPLICAZIONI 4
RETI NEURALI
FINE LEZIONE 1024 Maggio 2007
L’UNITA’ FONDAMENTALE
IL NEURONE (O NODO)
FF
FUNZIONE DI ATTIVAZIONE
p
INGRESSO
PESO
BIAS
a
USCITA
a = F(w*p + b)a = F(w*p + b)
w
b
RX1
1XR
1X1
1X1
6NEURONE 6
RETI NEURALI
L’UNITA’ FONDAMENTALE
IL NEURONE (O NODO)
FFp a
a = F(w*p + b)a = F(w*p + b)
PARAMETRI
ADATTABILI
IN FASE DI
ADDESTRAMENTO
w
b
7NEURONE 7
RETI NEURALI
FUNZIONI DI ATTIVAZIONE
purelim
xx
e1
1)(logsig
)tanh()(tansig xx
tansig
- 1
+1
logsig
+1
hardlim
+1
8FUNZIONI DI ATTIVAZIONE 8
RETI NEURALI
DAL NEURONE
ALLA RETE NEURALE
b1(1)
F1a1(1)
W1(1,1)
p(1)
p(2
)
F1
p(R
)a1(S1
)W1(S1,R)
b1(S1)
... ... ... ...
bn(1)
Fnan(1)
Wn(1,1)
Fnan(Sn)
Wn(Sn,Sn-1)
bn(Sn)
... ... ...
...
...
INGRESSI STRATO1 (S1 NEURONI) STRATO N (SN NEURONI)
9STRUTTURA DI UNA RETE NEURALE 9
RETI NEURALI
a = 0
a = 1
PERCEPTRON NETWORKS
a
w(1)
b
w(2)
p(1)
p(2)
w
-b/w(2).
-b/w(1).IN GRADO DI CLASSIFICARE
INSIEMI DI DATI LINEARMENTE
SEPARABILI
10UTILIZZAZIONE DI UNA RETE NEURALE 10
RETI NEURALI
PERCEPTRON NETWORKS
a1w1(1)
b1
p(1)
p(2) a2
b2
w2(2)
00
0110
11
p(1)
p(2)
w1*p +
b1
= 0w
2*p + b2 = 0
N NEURONI
2N CLASSI POSSONO ESSERE DISTINTE
11UTILIZZAZIONE DI UNA RETE NEURALE 11
RETI NEURALI
w
PERCEPTRON NETWORKS:
ADDESTRAMENTO
p
p
p
p TTeaaW )( *
eb
1,0,1ea = 0
a = 1
p
w’
1)(* pa
W
12ADDESTRAMENTO DI UNA RETE NEURALE 12
RETI NEURALI
RETI LINEARI
p(1) a1w1(1)
b1
p(2) a2
b2
w2(2)
IN GRADO DI APPRENDERE ESATTAMENTE RELAZIONI
LINEARI TRA INGRESSI E USCITE
UN SOLO STRATO(RETI LINEARI MULTI-
STRATO SEMPRE
EQUIVALENTI AD UNA
MONOSTRATO)
UN SOLO STRATO(RETI LINEARI MULTI-
STRATO SEMPRE
EQUIVALENTI AD UNA
MONOSTRATO)
13STRUTTURA DI UNA RETE NEURALE 13
RETI NEURALI
RETI LINEARI:
ADDESTRAMENTO
)()(2)()(),()(),(),(
2
* jpiejbjpjiWiajiWjiW
sse
REGOLA DI APPRENDIMENTO DI WIDROW-HOFF
= LEAST MEAN SQUARE (LMS) RULE
ii
iaiaiesse2*2 )()()(
SUM-SQUARED ERROR
)()(),()(),( jeljbjpjeljiw rr
GRADIENTE DISCENDENTE
VALIDA SOLO PER
RETI MONOSTRATO
VALIDA SOLO PER
RETI MONOSTRATO
14ADDESTRAMENTO DI UNA RETE NEURALE 14
RETI NEURALI
APPLICAZIONE
APPROSSIMAZIONE LINEARE (NEL SENSO
DEI MINIMI QUADRATI!) DI UNA RELAZIONE
(NONLINEARE) IGNOTA
15APPLICAZIONE DI UNA RETE NEURALE 15
RETI NEURALI
BACKPROPAGATION NETWORKS
RETI FEEDFORWARD MULTISTRATO CON NODI A FUNZIONE DI
TRASFERIMENTO DIFFERENZIABILE POSSONO ESSERE
ADDESTRATE CON L’ALGORITMO DI BACKPROPAGATION
L’ERRORE VIENE “PROPAGATO ALL’INDIETRO” FRA GLI STRATI
DELLA RETE IN MODO CHE AD OGNI STRATO SI POSSA APPLICARE
UN ALGORITMO DI OTTIMIZZAZIONE
(TIPICAMENTE, GRADIENTE DISCENDENTE, MA ANCHE ALTRE
VARIANTI SONO POSSIBILI, COME IL GRADIENTE CONIUGATO,
IL METODO DELLA DISCESA PIU’ RAPIDA DEL GRADIENTE, ECC.)
16ADDESTRAMENTO DI UNA RETE NEURALE 16
RETI NEURALI
BACKPROPAGATION NETWORKS
p
W1
b11+
a1WN
bN1+
aN
...
RETI MULTISTRATO CON NODI A FUNZIONE DI ATTIVAZIONE
SIGMOIDALE ED UNO STRATO LINEARE IN USCITA POSSONO
APPROSSIMARE ARBITRARIAMENTE BENE QUALSIASI FUNZIONE
CON UN NUMERO FINITO DI DISCONTINUITA’
17ADDESTRAMENTO DI UNA RETE NEURALE 17
RETI NEURALI
APPLICAZIONI
• APPROSSIMAZIONE DI FUNZIONI MULTIVARIABILI
NONLINEARI IGNOTE
(NEL CASO 1 INGRESSO 1 USCITA SI POSSONO
USARE POLINOMI E SPLINES!)
• CLASSIFICAZIONE IN CASO DI INSIEMI NON
LINEARMENTE SEPARABILI
18APPLICAZIONI DI UNA RETE NEURALE 18
RETI NEURALI
PROGETTAZIONE DI UNA RETE NEURALE
NUMERO INGRESSI E USCITE FISSATI DAL PROBLEMA
NUMERO NODI Nn E STRATI NASCOSTI SCELTI IN MODO
EURISTICO
FORMULA EMPIRICA
outputNinputN
consentitoepercentualErroreesempiNNn
19PROGETTAZIONE DI UNA RETE NEURALE 19
RETI NEURALI
RETE NEURALE SOTTODIMENSIONATA:
UNDERFITTING
20ADDESTRAMENTO DI UNA RETE NEURALE 20
RETI NEURALI
RETE NEURALE SOVRADIMENSIONATA:
OVERFITTING
RETI NEURALI
21ADDESTRAMENTO DI UNA RETE NEURALE 21
RETE NEURALE DIMENSIONATA
CORRETTAMENTE
22ADDESTRAMENTO DI UNA RETE NEURALE 22
RETI NEURALI
FINO A DOVE SPINGERE L’ADDESTRAMENTO?
TRAINING SET
VALIDATION SET
SSE
EPOCHE DI ADDESTRAMENTO
23ADDESTRAMENTO DI UNA RETE NEURALE 23
RETI NEURALI
D
.
RITARDO
RETE DI ELMAN
ALTRE ARCHITETTURE:
RETI RICORSIVE
W1
b11+
a1W2
b21+
a2p
APPLICAZIONE: MODELLAZIONE DI SISTEMI DINAMICI
24RETI NEURALI RICORSIVE 24
RETI NEURALI
p w
b
a
NEURONE
ALTRE ARCHITETTURE:
RETI RADIAL BASIS
PARAMETRI
ADATTABILI
IN FASE DI
ADDESTRAMENTO
w
b
distanza ,
2,
bpwea
distanza ,
2,
bpwea
25ALTRI TIPI DI RETE NEURALE 25
RETI NEURALI
ALTRE ARCHITETTURE:
RETI RADIAL BASIS
b11x
a1W2
b21+
a2pW1
• APPLICAZIONI: SIMILI A RETI BACKPROPAGATION
• APPRENDIMENTO PIU’ RAPIDO
• ERRORE NULLO SUL TRAINING SET PUO’ ESSERE OTTENUTO
(CON TANTI NODI QUANTI SONO GLI ESEMPI)
• GENERALIZZAZIONE MINORE (PUO’ ESSERE UN VANTAGGIO!)
26ALTRI TIPI DI RETE NEURALE 26
RETI NEURALI