Download redes neuronales

REDES NEURONALES
Redes Auto-organizadas
Facilitador:
Dr. Joel Suarez
Autor:
Ing. Henry P. Paz Arias
Arquitectura
Cada neurona tiene un vector de pesos W de
entrada asociado y la neurona con el vector de
peso más cercano a la entrada P se activará.
Caracteristicas
Es una red no supervisada, se entrena solo con
patrones de entrada
Las entradas se conectan a una única capa de
neuronas donde cada nodo se conecta a su
vecino y solo puede haber una neurona activa
La conexión puede ser
hexagonal, irregular, etc.
lineal,
cuadrada,
Convergencia
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
-1
-1
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
-1
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Algoritmo de Aprendizaje
Entrenamiento
En los SOFM (Self-organizing Feature Map ), no
solo se actualiza los pesos de la neurona que
resulta ganadora en el aprendizaje, sino que se
actualizan también los de la vecindad.
Procedimiento
1. Asignar valores iniciales aleatorios pequeños a
los pesos wij
2. Escoger un vector de entrada x del espacio de
muestras y aplicarlo como entrada.
3. Encontrar el nodo de salida ganador (el
producto punto máximo)
Procedimiento (cont…)
4. Ajustar los vectores de peso de acuerdo a la
siguiente formula de actualización:
wnuevos= wviejos + α [xi- wviejos ] h(|i-g|,R(t))
donde α es la tasa de aprendizaje y h(|i-g|,t) es la
función de vecindad.
Procedimiento (cont…)
Modificación de los parámetros

t 
1   0 1  
 T0 
T0 es el numero total de iteraciones α0 es la razón inicial de aprendizaje y t va
desde 1,2,…. T0
Procedimiento (cont…)
5. Repetir pasos 2 a 4 hasta que no ocurran
cambios significativos en los pesos.
DEMO