Mapas autoorganizados
0 recomendaciones522 vistas
Este documento describe los mapas auto organizados, incluyendo sus características, reglas de aprendizaje y algoritmos de entrenamiento. También explica las redes competitivas y la red de aprendizaje vectorial cuantizado, mostrando ejemplos de su funcionamiento para clasificación.
![Bibliografía
Neural Network Design. [Martin T. Hagan, Howard B, Demuth, Mark Beale – PWS Publishing Company].](https://image.slidesharecdn.com/mapasautoorganizados-141022111304-conversion-gate01/85/Mapas-autoorganizados-23-320.jpg)
Más contenido relacionado
Mapas autoorganizados
- 2. Área Académica: ICBI, Sistemas Computacionales Tema: Mapas auto organizados Profesor: M.C.C Víctor Tomás Tomás Mariano Alumnos: Leticia Hernandez Hernandez. Agustin Escamilla Hernández Periodo: Julio-Diciembre 2011
- 3. Resumen. Se describe las características de los mapas auto organizados, su regla de aprendizaje, su algoritmo de entrenamiento, con la finalidad de resolver problemas de clasificación. Abstract It describes the characteristics of self-organizing maps, the learning rule, the training algorithm, in order to solve classification problems. Keywords: Neural Networks, Learning Vector Quantization
- 4. Se cree que algunos sistemas biológicos realizan sus operaciones siguiendo un método de trabajo que algunos investigadores han llamado, on-center/off-surround; este término describe un patrón de conexión entre neuronas, cada neurona se refuerza a ella misma (center) mientras inhibe a todas las neuronas a su alrededor (surround). En las redes competitivas biológicas, lo que sucede realmente es que cuando una neurona se refuerza a ella misma, refuerza también las neuronas que están cerca; la transición entre reforzar las neuronas “vecinas” o inhibirlas, se realiza suavemente a medida que la distancia entre las neuronas aumenta. De esta forma el proceso on-center/off-surround; para redes biológicas sigue el comportamiento señalado en la figura 2.5.14, función que habitualmente es referida como sombrero mexicano debido a su forma.
- 5. Tratando de emular la actividad biológica, sin tener que implementar conexiones on-center/off-surround; de realimentación no lineal, Kohonen diseñó la red conocida como mapa de auto organización (SOM).
- 6. Mapa de auto organización (SOM) •Esta red determina primero la neurona ganadora i* usando el mismo procedimiento que las redes competitivas, luego los vectores de pesos de todas las neuronas que se encuentren en una región cercana “vecindario”, serán actualizados mediante la regla de Kohonen. •Donde el vecindario Ni* contiene el índice para todas las neuronas que se encuentren a un radio “d” de la neurona ganadora i* •Cuando un vector p es presentado, los pesos de la neurona ganadora y de sus vecinas tenderán hacia p, el resultado es que después de muchas presentaciones las neuronas vecinas habrán aprendido vectores similares que cada una de las otras.
- 7. •El concepto de vecindario es ilustrado en la figura 2.5.15; para la primera figura se ha tomado un vecindario de radio d =1 alrededor de la neurona 13; para la segunda figura se ha tomado un vecindario de radio d =2. •Estos vecindarios pueden definirse como sigue:
- 8. •El vecindario puede determinarse en diferentes formas; Kohonen, por ejemplo ha sugerido vecindarios rectangulares o hexagonales para lograr alta eficiencia; es importante destacar que el rendimiento de la red no es realmente sensitivo a la forma exacta del vecindario. •La figura 2.5.16 ilustra un mapa de auto organización de dos dimensiones: •Ejecutar nnd14fm1, nnd14fm2, en Matlab.
- 9. Learning Vector Quantization (LVQ). •Esta red es un híbrido que emplea tanto aprendizaje no supervisado, como aprendizaje supervisado para clasificación de patrones.
- 11. •La entrada neta a la primera capa de la red LVQ es entonces, •La entrada neta a la primera capa de la red LVQ es entonces, •Así, la neurona cuyo vector de pesos este cercano al vector de entrada tendrá salida 1 y las otras neuronas, tendrán salida 0; en este aspecto la red LVQ se comporta igual a las redes competitivas, la única diferencia consiste en la interpretación, mientras que en las redes competitivas la salida no cero representa una clase del vector de entrada, para el algoritmo LVQ, indica mas bien una subclase, y de esta forma muchas neuronas (subclases), conforman una clase.
- 13. •Una propiedad importante de esta red, es que el proceso de combinar subclases para formar clases, permite a la red LVQ crear clases más complejas. Una capa competitiva estándar tiene la limitación de que puede crear sólo regiones de decisión convexas; la red LVQ soluciona esta limitación. •La red LVQ combina aprendizaje competitivo con aprendizaje supervisado, razón por lo cual necesita un set de entrenamiento que describa el comportamiento propio de la red: •Para ilustrar el desempeño de la red LVQ, se considerará la clasificación de un vector particular de tres elementos dentro de otro de cuatro clases, de esta forma:
- 16. •El resultado será que cada neurona se moverá hacia los vectores que cayeron dentro de la clase, para la cual ellos forman una subclase y lejos de los vectores que cayeron en otras clases. •Se ilustrará el funcionamiento de la red LVQ, buscando que clasifique correctamente los siguientes patrones, cuyas clases se han definido arbitrariamente: •Los vectores esperados asociados a cada una de las entradas son:
- 17. •La posición inicial de los patrones de entrada es la siguiente: •Si se escogen dos subclases para cada una de las dos clases existentes, tendremos entonces cuatro subclases, lo que determina que deben haber cuatro neuronas en la capa oculta. La matriz de pesos para la capa de salida es:
- 23. Bibliografía Neural Network Design. [Martin T. Hagan, Howard B, Demuth, Mark Beale – PWS Publishing Company].