REDES NEURONALES
-
Upload
edan-schneider -
Category
Documents
-
view
32 -
download
0
description
Transcript of REDES NEURONALES
REDES NEURONALESRedes Auto-organizadas
Universidad Autónoma del estado de hidalgo
Facilitador:Dr. Joel Suarez
Autor:Ing. Henry P. Paz Arias
ArquitecturaCada 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 lineal, cuadrada, hexagonal, irregular, etc.
Convergencia
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1-1
-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.
Procedimiento1. 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
T0 es el numero total de iteraciones α0 es la razón inicial de aprendizaje y t va desde 1,2,…. T0
001 1
T
t
Procedimiento (cont…)
5. Repetir pasos 2 a 4 hasta que no ocurran cambios significativos en los pesos.
DEMO