Scribd
Cargar
242 vistas15 páginas

Redes de Hopfield

Este documento describe las redes de Hopfield, un tipo de red neuronal recurrente que funciona como una memoria asociativa. Después de entrenarse con ejemplos, la red converge a un patrón de salida que se parece al estímulo de entrada. La red de Hopfield consiste en una única capa totalmente conectada con pesos simétricos y utiliza aprendizaje no supervisado para almacenar patrones binarios. Tiene aplicaciones como reconocimiento de imágenes y voz, y resolución de problemas de optimización.

Cargado por

Luis Eduardo García Marrugo
Derechos de autor
© Attribution Non-Commercial (BY-NC)
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
242 vistas15 páginas

Redes de Hopfield

Este documento describe las redes de Hopfield, un tipo de red neuronal recurrente que funciona como una memoria asociativa. Después de entrenarse con ejemplos, la red converge a un patrón de salida que se parece al estímulo de entrada. La red de Hopfield consiste en una única capa totalmente conectada con pesos simétricos y utiliza aprendizaje no supervisado para almacenar patrones binarios. Tiene aplicaciones como reconocimiento de imágenes y voz, y resolución de problemas de optimización.

Cargado por

Luis Eduardo García Marrugo
Derechos de autor
© Attribution Non-Commercial (BY-NC)
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 15

REDES DE HOPFIELD

Roberto Aez Eduardo Garca Rogger Jimnez Felix Hernandez

INTRODUCCION

Uno de los principales responsables del desarrollo que ha experimentado la computacin neuronal ha sido John Hopfield (1980), quien construy un modelo de red con el nmero suficiente de simplificaciones como para poder extraer informacin sobre las caractersticas relevantes del sistema.

RED DE HOPFIELD
Una red de Hopfield funciona como una memoria asociativa. Despus de entrenarse con un conjunto de ejemplos, un nuevo estmulo causa la red a asentarse'' en un patrn de activacin correspondiente al ejemplo de entrenamiento que se parece ms al nuevo estmulo. Esto es, se alimenta un patrn de entrada y se observa su salida. La salida vuelve a alimentar a la red y se ve la nueva salida.

ESTRUCTURA

La estructura de red neuronal que se muestra en las figuras es una memoria auto-asociativa, de una sola capa, totalmente conectada y recurrente.

CARACTERISTICAS
La red de Hopfield es una red monocapa Utilizan aprendizaje no supervisado. Los datos de entradas y de salidas son binarios(0,1) o bipolares(-1,1). Consiste en un conjunto de N elementos de procesado interconectadas que actualizan sus valores de activacin de forma asncrona e independiente del resto de las elementos de procesado. Todos los elementos son a la vez de entrada y salida.

CARACTERISTICAS
Cada neurona de la capa media est conectada con todas las dems, menos con si misma. Es una estructura en donde la matriz de pesos es cuadrada y simtrica. Cuando un elemento de procesado mantiene su valor de activacin se dice que es estable. Se llama estado estable a aquel en el cual todos la elementos de procesado son estables.

CARACTERISTICAS

Con la restriccin extra de simetra en los pesos de conexin, Wjk=Wkj, el sistema puede ser descrito mediante una funcin energa de la forma

FUNCIONAMIENTO

Cuando se introduce un dato en la capa de entrada, esta pasa a la capa media sin modificarse.

Una vez en la capa media, las neuronas que la forman modificaran su estado, en funcin del estado de activacin de las otras neuronas de la capa.

FUNCIONAMIENTO

Las neuronas de esta capa media que le toca actualizarse es elegida al azar, y as sucesivamente.

Todo el proceso de actualizaciones en la capa media se dar hasta que se alcance un equilibrio.

FUNCIONAMIENTO

Cuando se llega al equilibrio, los estados de las neuronas de la capa media ya no se modifican y se mantienen estables. Por lo tanto la capa media transmite su patrn de activacin a la capa de salida, que lo recibe sin modificacin alguna.

LIMITACIONES

Nmero limitado de entradas en la etapa de aprendizaje: Si se almacenan demasiadas informaciones, durante su funcionamiento la red puede converger a valores de salida diferentes de los aprendidos, con lo que la tarea de asociacin entre la informacin presentada y alguna de las almacenadas se realiza incorrectamente.

LIMITACIONES

Ortogonalidad de las informaciones aprendidas: Si las informaciones almacenadas no son suficientemente diferentes entre s (no son ortogonales) puede ocurrir que ante una entrada la red no haga una asociacin correcta y genere una salida errnea.

APLICACIONES
Las aplicaciones ms conocidas de este modelo destacan las relacionadas con el reconocimiento de imgenes y de voz, el control de motores y sobre todo la resolucin de problemas de optimizacin. Para problemas de optimizacin se ha aplicado para la resolucin de, manipulacin de grafos, procesado de seales (conversores analgicodigitales) y de imgenes, etc.

EJEMPLO
W40 W50 W60 1 0 0 W45 = W54 -2 W46 = W64 W56 = W65 -4 3

Bias (0) 1 1 1 1 1 1 1

Capa de Capa de entradas salidas 1, 0, 1

Capa media 4 1 0 0 0 1 1 1 5 6 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0

Neurona que se actualiza

WijXj

Nuevo estado de la neurona

4 4 6 4 5 6 4

-3 -3 0 1 -2 -4 1

0 0 0 1 0 0 1

1, 0, 0

GRACIAS

También podría gustarte