Autoassociatori Neurali

Riconoscitore basato su autoassociatori neurali

Il riconoscitore basato su autoassociatori neurali offre il vantaggio di poter costruire il classificatore in modo modulare. Per ogni classe da riconoscere viene addestrato un autoassociatore utilizzando esempi della classe (esempi positivi) ed eventualmente esempi delle altre classi (esempi negativi) . Per l'esercizio proposto i vettori di ingresso per gli autoassociatori sono ottenuti dalle immagini dei logo con la stessa modalità descritta per il caso dell'MLP. Gli autoassociatori avranno quindi 256 ingressi e 256 uscite mentre il numero di neuroni nascosti potrà essere variato. Il numero ottimale di neuroni nascosti può essere determinato per tentativi misurando le prestazioni su insieme di validazione opportuno e scegliendo il numero di neuroni nascosti che garantisce le prestazioni migliori su tale insieme.
Dato il tipo di preelaborazione applicata alle immagimni per ottenere gli ingressi per gli autoassociatori, questo approccio soffre delle stesse limitazioni descritte per il caso precedente. In particolare occorre fornire un numero sufficiente di esempi che coprano tutta la casistica di rumore presente nei dati (ad esempio angoli di rotazione).

 
Figura 6 - Classificatore basato su autoassociatori neurali

Il sistema può essere realizzato con un programma custom disponibile in forma di eseguibile su linux.

Possibili punti da sviluppare sono:

  1. Determinazione del numero ottimale di neuroni nascosti
  2. Valutazione del numero di esempi necessari per un apprendimento soddisfacente
  3. Valutazione delle differenza in prestazioni in presenza di esempi negativi nell'insieme di esempi per l'apprendimento
[Home] [Scuola Dottorato del GII] [Calcolatori Elettronici] [Fondamenti di Informatica II] [Tesi di Laurea]