Bonjour,
Je suis actuellement étudiante en musicologie (je termine mon DEA) et je travaille sur un article qui utilise le principe des cartes de Kohohen ou SOM (self oprganizing maps) et j'ai du mal à m'en sortir. Quelqu'un pourrait-il m'expliquer de façon simplifiée comment fonctionnent les cartes de T. Kohonen ?
Merci beaucoup d'avance pour votre aide,
JW
Bonjour,
Un p'tit cours par là, si ça peut vous aider.
H u m a n i t y
Merci beaucoup pour votre réponse rapide.
Malheuresement j'ai déjà vu et travaillé ce diapo, mais ce la ne m'aide pas suffisament... Il s'agit bien de biologie ? connaissez vous quelqu'un qui pourrait m'aider? C'est réellement important.
Discussion déplacée en informatique.
H u m a n i t y
Personne pour un petit coup de main ?
Alors je ne sais pas trop par où commencer, j'ai déjà implémenter les cartes de Kohonen et autres variantes. Qu'est ce que tu ne comprends pas exactement ? leurs applications ?
En fait, je ne vois pas du tout comment on pourrait utiliser cela par raport à plusieurs interprétation smusicales d'un même morceau de musique, vu que là c'est ça le but de l'article. Je te cite ce qu'ils en disent, et je vais continuer à lire l'article (en anglais youhou) pour donner le maximum d'informations.
"Cette méthode permet l'analyse systématique et la comparaison de différentes interprétation par l'identification de modèles expressifs récurrents et leur posiion dans leur interprétation respective."
Pouvez vous m'en dire plus? dans quelel mesure cela est il possible?
Difficile de répondre à partir de ces informations.
J'imagine que les auteurs entrainent une carte de Kohonen sur chaque morceau de musique indépendamment et observent après coup les différences de structure de ces cartes. Les cartes représentent une version simplifié du morceau. Selon l'espace considéré pour construire ces cartes, j'imagine que l'on peut mettre en évidence des différences entre différentes interprétation d'un morceau.
Je comprends ..plus ou moins.. J'ai compris pour le moment qu'il s'agissait de neurones formels, c'est à dire une représentation informatique d'un neurone biologique. Est ce que cela correspond?
J'ai compris qu'il y'avait plusieurs entrées, et une seule sortie, et que c'est un vecteur qui avait un rôle à jouer avec l'entrée. J'ai lu des choses comme quoi il y avait deux couches de neurones, l'une de perception et l'autre de décision : qu'il y avait un neurone vainqueur et un changement de "poids". En quoi cela consiste-il réellement? Hormis la musique, je parle du principe ici en lui -même ...
Il s'agit aussi d'un réseau permettant l'apprenttisage non supervisé. Qu'es ce que cela signifie-til? y'a t-il une part d'aléatoire? Et que lui ci est utilisé dansun large champ de classification et de regroupemet de tâches... C'est à dire? Je trouve réellement que c'est complexe..
Merci pour votre aide..
Oui, une version ultra simplifié d'un neurone biologique, tellement simplifie que le terme neurone est certainement abusif.Envoyé par JW
Une carte de Kohonen, mathématiquement parlant est un réseau de points. ces points appartiennent le plus souvent à un espace de haute dimension, appelé dans le cadre de l'apprentissage, "feature space". cet espace correspond à une concaténation de facteur qui est jugé important pour une certaine application. En musique, par exemple, on va créer un vecteur contenant la fréquence d'une note, sa durée, et tout autres facteurs qui pourraient permettre de la caractériser et la différencier d'une autre. Ca va être l'entrée du réseau de neurones.J'ai compris qu'il y'avait plusieurs entrées, et une seule sortie, et que c'est un vecteur qui avait un rôle à jouer avec l'entrée. J'ai lu des choses comme quoi il y avait deux couches de neurones, l'une de perception et l'autre de décision : qu'il y avait un neurone vainqueur et un changement de "poids". En quoi cela consiste-il réellement? Hormis la musique, je parle du principe ici en lui -même ...
Le but de la carte de Kohonen est ensuite de simplifié et de couvrir de façon éparse cet espace d'entrée. Chaque points du réseau de Kohonen encodera une certaine portion de l'espace d'entrée. Lorsque l'on fournit une nouvelle entrée au réseau, on détermine quel point du réseau encode la portion de l'espace dans laquelle se trouve l'entrée : c'est le neurone gagnant. En plus de ça, on souhaite aussi encoder de manière adaptative l'espace d'entrée. C'est à dire que l'on veut prendre en compte la densité de l’espace d'entrée. Si un vecteur d'entrée apparait très fréquemment, on veut que le réseau s'ajuste autour de ce point d’entrée de manière à mailler finement l'espace d'entrée autour des points les plus fréquents. C'est pourquoi on met à jour à chaque étape le réseau de neurone en donnant d'avantage de poids au neurone gagnant ainsi qu'à ses voisins les plus proches sur le réseau.
Apprentissage non supervisé = sans intervention d'humain. Les cartes de kohonen permettent simplement de simplifier un espace, ni plus ni moins.
Très bien, je commence à y voir plus clair.
Que signifie 'concanétation de facteurs"?
Dans mon article, l'unité de base, est la mesure de la pièce. En fait, j'ai pu lire aussi que le SOM va regrouper des points similaires dans des espaces similaires dans un espace inférieure ou quelque chose comme ça. Mais encore ?
Il ya deux niveaux de "noeuds", le premier étant ici à trois dimensions (pour chaque temps de la meusre à 3 temps) et le deuxième à deux dimensions. Le premier niveau possède autant de noeuds qu'il ya de dimensions pour chaque vecteur d'entrée. Là j'ai du mal à comprendre.
Ensuite, la deuxième strate contient un nombre de noeuds pour représenter la sortie de l'espace vectoriel. Comment cela?
Chaque noeud de sortie est conneté à chaque noeud d'entrée. Ensuite, une série de données va être intégré au sein des noeuds d'entrées pour ensuite déterminer quel noeud de sortie est le plus proche de ce qui est caractérisé comme le vecteur d'entrée. Celui qui gagne se rapproche alors de l'espace vectoriel du vecteur d'entrée.
Voilà ce que j'ai pu lire dans cet article...
Si on simplifie, il ya donc deux strates de noeuds, on y intègre une série de données qui vont ensuite avoir une répercussion sur la deuxième et modifier les noeuds d'entrée?
Ce que j'ai encore du mal à comprendre, c'est selon quels critères un noeud est considéré comme gagnant. Si j'entre une certaine donnée dans un vecteur d'entrée, comment savoir ce qui arrivera ?
Merci infiniment pour votre aide, je vois le bout du tunnel ! =)
Par concaténation, j’entends simplement mettre bout à bout plusieurs mesures sur un signal afin de créer un vecteur qui va caractériser une signal.
L'idée de base est que ton signal, de dimension 3 par exemple, n'occupe pas tout l'espace de manière uniforme. La carte de Kohonen va automatiquement sélectionné et maillé le lieu où se trouve tes vecteurs d'entrée.
Oui, dit comme ça, je ne vois pas trop à quoi cela correspond.
Oui, en répétant cette procédure, le noeud va petit à petit se situé "au centre" des vecteurs d'entrée pour lesquels il a été élu gagnant.
Le nœud gagnant "vit" dans le même espace que les vecteurs d'entrée. Il est considéré comme gagnant si c'est le nœud le plus porche de ce vecteur d’entrée. "Le plus proche", ici au sens d'une distance mathématique.
Très bien. Merci beaucoup ! Je commence à comprendre la chose. Selon cette image :
http://en.wikipedia.org/wiki/File:Somtraining.svg
La grille noire représente l'espace "sortie" et va donc au fur et à mesure se rapprocher pour prendre finalement la forme que l'espace d'entrée à discrétiser.
Si on a un vecteur v qui sélectionne le neurone n par exemple, (car il est donc le plus proche mathématiquement de celui-ci, c'est dàre ? en terme de vecteur?) la vecteur référent de n, c'est à dire le représentant du neurone n dans la partie "entrée" va bouger mais va-t-il se rapprocher de v ou se rapprocher de n ? c'est encore le suel petit détail que j'ai un peu du mal à comprendre.
le vecteur référent de n se rapproche du vecteur d’entrée v et en répétant l'opération pour plusieurs entrée différente, le vecteur référent de n se place petit à petit vers au centre de tout les vecteurs pour lequel il a été gagnant.
Se rapproche dans le sens, il va voir la mpeme direction (coordonnées vectorielles) que v ?
La "forme" de l'espace entrée va donc se retrouve dana l'espace sortie ou non?
Enfin, auriez vous un exemple concret ?
Merci encore une fois ! Sans vous je serai
