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