Professional Documents
Culture Documents
.
.
.
.
.
.
.
.
.
_
1
x
(1)
x
(2)
.
.
.
x
(k)
_
_
w
ij
- wagi neuronw,
wektor sum:
s
1
=
_
_
s
(1)
s
(2)
.
.
.
s
(h)
_
_
funkcja aktywacji (x) =
1
e
x
+1
(gdzie - parametr dobrany przez
eksperta)
: R
h
R
h
taka, e:
(s) =
_
_
(s
(1)
)
(s
(2)
)
.
.
.
(s
(h)
)
_
_
v - wektor wyjc z wartwy I:
v =
_
_
v
(1)
v
(2)
.
.
.
v
(k)
_
_
= (s)
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 30/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Plan prezentacji
2 Przykad
Problem werykacji podpisu
Wprowadzenie
Kodowanie
Operatory
Selekcja
Krzyowanie
Mutacja
Dziaanie na przykadzie operacji XOR
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 31/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Wagi neuronw
Wiadomo, e:
s
1
=
_
_
s
(1)
s
(2)
.
.
.
s
(h)
_
_
=
_
k
i =1
(x
(i )
w
1,i
)
k
i =1
(x
(i )
w
2,i
)
.
.
.
k
i =1
(x
(i )
w
h,i
)
_
_
niech:
W
1
=
_
_
w
1,0
w
1,1
. . . w
1,k
w
2,0
w
2,1
. . . w
2,k
.
.
.
.
.
.
.
.
.
.
.
.
w
h,0
w
h,1
. . . w
h,k
_
_
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 32/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Wagi neuronw
Wiadomo, e:
s
1
=
_
_
s
(1)
s
(2)
.
.
.
s
(h)
_
_
=
_
k
i =1
(x
(i )
w
1,i
)
k
i =1
(x
(i )
w
2,i
)
.
.
.
k
i =1
(x
(i )
w
h,i
)
_
_
niech:
W
1
=
_
_
w
1,0
w
1,1
. . . w
1,k
w
2,0
w
2,1
. . . w
2,k
.
.
.
.
.
.
.
.
.
.
.
.
w
h,0
w
h,1
. . . w
h,k
_
_
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 32/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Macierzowa interpretacja wag
wtedy:
s = W
1
x
wobec tego wyjcie warstwy I:
v = (W
1
x)
analogicznie mona wprowadzi:
W
2
=
_
_
w
h+1,0
w
h+1,1
. . . w
h+1,h
w
h+2,0
w
h+2,1
. . . w
h+2,h
.
.
.
.
.
.
.
.
.
.
.
.
w
h+r ,0
w
h+r ,1
. . . w
h+r ,h
_
_
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 33/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Macierzowa interpretacja wag
wtedy:
s = W
1
x
wobec tego wyjcie warstwy I:
v = (W
1
x)
analogicznie mona wprowadzi:
W
2
=
_
_
w
h+1,0
w
h+1,1
. . . w
h+1,h
w
h+2,0
w
h+2,1
. . . w
h+2,h
.
.
.
.
.
.
.
.
.
.
.
.
w
h+r ,0
w
h+r ,1
. . . w
h+r ,h
_
_
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 33/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Macierzowa interpretacja wag
wtedy:
s = W
1
x
wobec tego wyjcie warstwy I:
v = (W
1
x)
analogicznie mona wprowadzi:
W
2
=
_
_
w
h+1,0
w
h+1,1
. . . w
h+1,h
w
h+2,0
w
h+2,1
. . . w
h+2,h
.
.
.
.
.
.
.
.
.
.
.
.
w
h+r ,0
w
h+r ,1
. . . w
h+r ,h
_
_
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 33/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Sposb kodowania
Wniosek
Wyjcie z sieci neuronowej przyjmuje posta:
y = (W
2
(W
1
x))
kodowanie
chromosomem sieci neuronowej jest zestaw macierzy W
1
i W
2
Oznaczenie
Wagi dla j -tego osobnika populacji bd oznaczane przez W
j
1
i
W
j
2
, wektor wyjciowy za y
j
.
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 34/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Sposb kodowania
Wniosek
Wyjcie z sieci neuronowej przyjmuje posta:
y = (W
2
(W
1
x))
kodowanie
chromosomem sieci neuronowej jest zestaw macierzy W
1
i W
2
Oznaczenie
Wagi dla j -tego osobnika populacji bd oznaczane przez W
j
1
i
W
j
2
, wektor wyjciowy za y
j
.
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 34/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Sposb kodowania
Wniosek
Wyjcie z sieci neuronowej przyjmuje posta:
y = (W
2
(W
1
x))
kodowanie
chromosomem sieci neuronowej jest zestaw macierzy W
1
i W
2
Oznaczenie
Wagi dla j -tego osobnika populacji bd oznaczane przez W
j
1
i
W
j
2
, wektor wyjciowy za y
j
.
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 34/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Sposb kodowania
Wniosek
Wyjcie z sieci neuronowej przyjmuje posta:
y = (W
2
(W
1
x))
kodowanie
chromosomem sieci neuronowej jest zestaw macierzy W
1
i W
2
Oznaczenie
Wagi dla j -tego osobnika populacji bd oznaczane przez W
j
1
i
W
j
2
, wektor wyjciowy za y
j
.
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 34/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Plan prezentacji
2 Przykad
Problem werykacji podpisu
Wprowadzenie
Kodowanie
Operatory
Selekcja
Krzyowanie
Mutacja
Dziaanie na przykadzie operacji XOR
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 35/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Selekcja
czyli metoda ruletki
Naley wprowadzi funkcj przystosowania dla j -tego osobnika:
v
j
=
1
Q
j
L
l =1
1
Q
l
gdzie:
Q
j
wartoc kwadratowego kryterium jakoci dla j -tego
osobnika
r
i =1
(y
(i )
j
y
(i )
)
2
L - iloc osobnikw w populacji.
Natpnie zastosowa metod ruletki.
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 36/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Operator Krzyowania
Krzyowanie
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 37/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Operator Krzyowania
Krzyowanie
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 37/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Operator Krzyowania
Krzyowanie
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 37/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Operator Krzyowania
Krzyowanie
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 37/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Operator Krzyowania
Krzyowanie
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 37/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Operator Krzyowania
Krzyowanie
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
_
_
w
10
w
11
. . .
w
20
w
21
. . .
.
.
.
.
.
.
.
.
.
_
_
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 37/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Operator mutacji
Dane: populacja chromosomw, M
max
Parametry:
G
[0, 1] - globalny wspczynnik mutacji,
L
[0, 1] - lokalny wspczynnik mutacji.
Dziaanie operatora mutacji
1 Dla kadego chromosomu w populacji wylosuj liczb
g
z
przedziau [0, 1].
2 Jeeli
g
<
G
to id do 3, w przeciwnym wypadku jeli
s jeszcze chromosomy id do 1, jeli nie id do 5.
3 Dla kadej wagi z macierzy W
1
oraz W
2
wylosuj liczb
l
.
4 Jeli
l
<
L
to zmie warto wagi o losow liczb z
przedziau [M
max
, M
max
], w przeciwnym wypadku jeli
s jeszcze chromosomy id do 1, jeli nie id do 5. .
5 Koniec.
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 38/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Plan prezentacji
2 Przykad
Problem werykacji podpisu
Wprowadzenie
Kodowanie
Operatory
Selekcja
Krzyowanie
Mutacja
Dziaanie na przykadzie operacji XOR
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 39/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Operacja logiczna XOR
Cig uczcy:
S
4
= {(0, 0; 0), (0, 1; 1), (1, 0; 1); (1, 1; 0)}
Uczenie badano dla dwch funkcji aktywacji:
1 dla funkcji logistycznej opisywanej wczeniej,
2 dla funkcji perceptronowej:
y(s) =
_
1 jeeli s > 0
0 w przeciwnym wypadku
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 40/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Funkcja logistyczna
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
0 500 1000 1500 2000 2500 3000
Q
d
l
a
n
a
j
l
e
p
s
z
e
g
o
o
s
o
b
n
i
k
a
iteracje
Rozmiar populacji a uczenie sieci neuronowej
10
20
50
100
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 41/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Funkcja perceptronowa
To, czego nie da si zrobi algorytmem wstecznej propagacji
0
0.5
1
1.5
2
0 10 20 30 40 50 60 70 80 90 100
Q
d
l
a
n
a
j
l
e
p
s
z
e
g
o
o
s
o
b
n
i
k
a
iteracje
Rozmiar populacji a uczenie sieci perceptronowej
10
20
50
100
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 42/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Bibliograa
ON - LINE signature verication using pen-tablet
DOBOSZ K. LIS M. PINTAL . Information Systems Architecture and
Technology: system analysis in decision aided problems ISAT 2009,
Szklarska Porba, s. 175-184.
Sieci neuronowe, algorytmy genetyczne i systemy rozmyte
RUTKOWSKA, M. PILISKI, L. RUTKOWSKI, Wyd. Naukowe PWN, Warszawa,
1997.
Neural Networks, genetic algorithms and K-means algorithm: In search of data
classication
SCHIZAS C. N., PATTICHIS C. S., MIDDLETON L. T., Proceedings of
International workshop on Combination of Genetic Algorithms and
Neural Networks COGANN-92
Improving the performance of genetic algorithms using automated discovery of
parameters.
KADABA N. NYGARD K. E. Proceedings of seventh Conference on Machine
learning. San Mateo CA: Morgan Kaufmannn 1990
Using genetic algorithms to select inputs for neural networks.
GUO Z. UHRIG R. E. Combinations of Genetic Algorithms and Neural
Networks, 1992., COGANN-92.
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 43/44
Sieci neuronowe (SN) i Algorytmy Ewolucyjne (AE) Przykad
Pytania ?
Mateusz Lis
mateusz.lis@sppi.pl
Mateusz Lis Zastosowanie algorytmw ewolucyjnych do uczenia sieci neuronowych 44/44