Archivo de la categoría ‘Informática’
Clasificación de las Redes Neuronales
Las Redes Neuronales según su realidad biológica
Las Redes Neuronales según su topología
También te puede interesar:Kohonen
Este es un esquema de red neuronal, el cual tiene la capacidad de crear mapas de características, se cree que estos se forman por genética o por aprendizaje. Tiene como objetivo la de demostrar que un estímulo externo es suficiente para formar dichos mapas. Maneja el aprendizaje no supervisado, presenta una arquitectura de capas y la dirección de la información es unidireccional. Con este tipo de redes se quiere clasificar los patrones de entrada en grupos de características similares, para así activar una única salida constantemente.
El aprendizaje, según Redes Neuronales Artificiales, se lleva a cabo de la siguiente manera:“Supongamos que tenemos patrones de entrada n-dimensionales.
- Aleatorizar los pesos de las conexiones. Normalizar los pesos de las conexiones incidentes de cada unidad de salida sobre la unidad: dividir cada conexión por la raíz cuadrada de la suma de los cuadrados de las conexiones de cada unidad. Normalizar igualmente los datos de entrada.
- Aplicar un patrón de entrada.
- Calcular alguna medida de similitud/disimilitud (producto interno, distancia euclídea o de Mahalanobis, etc.) entre las entradas y los pesos de las conexiones.
- La unidad de salida con los pesos más parecidos al patrón de entrada es declarada ganadora. El vector de pesos de la unidad ganadora, se convierte en el centro de un grupo de vectores cercanos a él.
- Modificar los pesos de los vectores de pesos Wj “cercanos” a Wc (distancia menor a D). De esta manera conseguimos que los vectores de pesos de la unidad ganadora y de su “vecindario” se parezcan cada vez más al patrón de entrada que hace ganar a esa unidad.
- Repetir los pasos 1 a 4 con todos los patrones de entrada”.
Luego de que se lleva a cabo este aprendizaje, se puede usar esta red para clasificar los patrones de entradas en espacios n-dimensional. Una clase de patrones controlará una neurona específica, la cual representará el centro de la esfera n-dimensional, esta será la mas activa frente a los patrones mas parecidos a su vector de pesos.
También te puede interesar:Hopfield
Estas se usan para situaciones probabilísticas, recurrentes que entrarían dentro de las memorias autoasociativas, aprendiendo a reconstruir los patrones de entrada que han memorizado durante el aprendizaje. Se trabajan con una capa de interconexión total, de adaptación probabilística y regla de aprendizaje no supervisado.
Estas dan soluciones dinámicas, las cuales en ocasiones no son muy recomendables, sin embargo, Hopfield busca la manera de entregar con una memoria de este tipo que sea capaz de entregar soluciones estables. Permite que el estado de cada neurona sea actualizado un número indefinido de veces, sin importar el resto de las neuronas de la red.
Consiste en un conjunto de N elementos de proceso interconectadas, los operadores de entrada son también salida y los valores de activación son binarios, los cuales determinarán el estado del sistema. Se dice que cuando este valor de activación es constante es estable.
El aprendizaje de las redes de Hopfield se hace en base a la regla de Cooper-Hebb, que depende la conexión de los patrones que se desean aprender. Según Redes Neuronales Artificiales, el entrenamiento se realiza de la siguiente manera:
- “Elegir un número de neuronas que cumpla el criterio del 15%.
- Codificar los ítems que queremos memorizar de forma que los patrones para representarlos se parezcan lo menos posible entre sí, para aproximarnos a la condición de pseudo-ortogonalidad.
Calcular los pesos de las conexiones según la regla de Cooper-Hebb”.
En la siguiente figura, tomada de Redes Neuronales Artificiales, se presenta el “modelo de Red de Hopfield de 3 unidades”:
También te puede interesar: