CLASSIFICAZIONE DI CERAMICHE ARCHEOLOGICHE UTILIZZANDO ALGORITMI NEURALI APPLICATI A

SPETTRI DI PLASMI INDOTTI DA LASER

Stefano Pagnotta*, Claudio Arias, Marco Lezzerini, Emanuela Grifoni, Stefano Legnaioli, Giulia Lorenzetti e Vincenzo Palleschi.

Convegno APLAR 5 - Città del Vaticano, 18-19 e 20 settembre 2014

stefanopagnotta@yahoo.it

1: IL SITO• MATERIALI CERAMICI PROVENIENTI DAL SITO DI SETTEFONTI A PRATA D’ANSIDONIA (AQ)

Strutture di combustione

Struttura di conservazione

Resti di sepolture

Resti di Buche per pali

Struttura a contorno irregolare

Cronologia

Tra 4599 e 3800 a.C ca.

La data più recenteStr. 17 (t.3)

4228-3800 a.C circa

Un esempio della ceramica del sito

2: ANALISI LIBS

Schema di un apparato per la tecnica Libs e a destra un apparato portatile Modì prodotto dalla Marwan Technologies (PI).

Sistema di analisi su pastiglie di ceramica omogeneizzate e comparazione tra lo spettro di una pastiglia omogenea e quello della ceramica analizzata senza preparazione.

In totale sono stati selezionati 25 frammenti di ceramica provenienti da classi eterogenee. I frammento sono stati analizzati come segue:• 5 punti sulla superficie esterna• 5 punti sulla sezione• 5 punti sulla superficie internaPer ciascuno di questi punti sono stati presi 5 punti in profondità per un totale di 75 punti di misura a campione per altrettanti spettri.Per ciascun punto i 5 spettri presi in profondità sono stati mediati per ottenere un miglioramento del rapporto S/N.Elemento

Al I Si I Ca I Fe I Na I Mg I K I

Lungh. D’Onda

308.22 nm

288.1nm

422.50 nm

374.55 nm

589 nm

285.1 nm

766.4 nm

Elementi scelti per la caratterizzazione chimica delle ceramiche.

3: ELABORAZIONE DATI

Clustering con K-Means:

• Può essere applicato solo se il tipo di dato permette di definire la media

• Occorre specificare in anticipo il numero k di cluster.

• Sebbene sia possibile dimostrare che il procedimento termina sempre, non è detto che venga raggiunto il minimo globale (il risultato è influenzato dalla scelta dei centri iniziali).

• Non garantisce la connessione dei cluster trovati e l’assenza di punti isolati.

• Può produrre risultati scadenti quando i cluster hanno differenti dimensioni, densità, forma non sferica/ellissoidale e/o i dati contengono outlier

Clustering con rete neurale SOM:

• Le SOM realizzano il clustering non supervisionato dei dati, cioè una identificazione, nello spazio degli ingressi, di partizioni indotte dalle similitudini/differenze fra i dati

• Ogni partizione è rappresentata da un prototipo (centroide) definito dal valore dei pesi del neurone corrispondente

• Il clustering è di tipo non supervisionato: non si ha alcuna informazione a priori sulle classi di appartenenza dei dati

• A posteriori è possibile etichettare (classificare) dati in base alla partizione dello spazio degli ingressi cui appartengono

Nb: In entrambi i casi non va mai trascurato il problema della dimensionalità del campione

3: CLUSTERING GENERALE

Clustering con K-Means: Clustering con rete neurale SOM:

SOM

3: DISCUSSIONEEntrambi gli algoritmi permettono di ottenere una suddivisione del materiale in cluster che rispecchiano la classificazione archeologica. La rete neurale a differenza dell’algoritmo K-Means riconosce che alcuni frammenti erroneamente classificati come ceramiche fini a superficie nera appartengono alla ceramica fine a superficie rossa (7FFR.23 e 7FFR.29). Si tratta comunque di frammenti particolari con caratteri ibridi tra la ceramica fine a superficie nera e rossa. Un ulteriore frammento (7FFR.28) presenta dei caratteri della matrice ibridi tra la classe fine a superficie nera e rossa. Il sistema lo riconosce, propriamente, come ceramica fine a superficie rossa.

7FFR23

7FFR29

7FFR28

Curiosità:

Craquelure su alcune superfici (Nere)

Segni di lucidatura e levigatura?

4: CLUSTERING DI DETTAGLIO

Clustering con K-Means: Clustering con rete neurale SOM:

I frammenti FSGr.1 e 7FGr.17 rientrano in uno stesso cluster mentre il frammento RIGr.1 è insieme con 7FGr.17 e 7FGr.18. La rete SOM clusterizza 7FGr.18 e RIGr.1 insieme. I restanti frammenti sono stati considerati ciascuno come un cluster a se stante.

4: CLUSTERING DI DETTAGLIO

Clustering con K-Means: Clustering con rete neurale SOM:

A sinistra i frammenti in ceramica fine a superficie nera, a destra i frammenti in ceramica fine a superficie rossa. Si presentano poi dei frammenti ambigui in posizioni liminari tra I gruppi che probabilmente indicano dei frammenti classificati male o che hanno subito problemi di cottura che gli hanno conferito un aspetto diverso da quello che avrebbero dovuto avere. Nella SOM, il campione da S.Anna di Oria (Ba) precedentemente clusterizzato insieme alla ceramica fine a superficie rossa ora rientra in un cluster separato insieme ai frammenti di Paterno.

4: CLUSTERING DI DETTAGLIO

Clustering con K-Means: Clustering con rete neurale SOM:

Nella ceramic figulina che presenta degli impasti molto fini e depurate, le variazioni dettate dai due metodi di classificazione sono minime o quasi nulle.

5: CONCLUSIONI

1. La riduzione di dimensionalità permette di rappresentare oggetti ad n dimensioni in al massimo 3 dimensioni.

2. L’utilizzo di più metodi di classificazione per le ceramiche archeologiche permette delle considerazioni più approfondite e di dettaglio rispetto all’utilizzo di un solo metodo.

3. La rete neurale SOM permette una clusterizzazzione non supervisionata, a differenza di altri metodi dove a-priori è l’operatore a decidere il numero di cluster.

4. Se si considera la clusterizzazione in archeologia come un vero e proprio processo di Data Mining è necessario impiegare diversi metodi di estrazione di conoscenza, ciascuno dei quali darà i suoi risultati che sta all’archeologo saper interpretare.