Download redes neuronales
Document related concepts
no text concepts found
Transcript
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