redes neuronales
DESCRIPTION
Universidad Autónoma del estado de hidalgo. REDES NEURONALES. Facilitador : Dr. Joel Suarez Autor: Ing. Henry P . Paz Arias. Redes Auto-organizadas. Arquitectura. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: REDES NEURONALES](https://reader036.vdocumento.com/reader036/viewer/2022071715/56812b9d550346895d8fc141/html5/thumbnails/1.jpg)
REDES NEURONALESRedes Auto-organizadas
Universidad Autónoma del estado de hidalgo
Facilitador:Dr. Joel Suarez
Autor:Ing. Henry P. Paz Arias
![Page 2: REDES NEURONALES](https://reader036.vdocumento.com/reader036/viewer/2022071715/56812b9d550346895d8fc141/html5/thumbnails/2.jpg)
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.
![Page 3: REDES NEURONALES](https://reader036.vdocumento.com/reader036/viewer/2022071715/56812b9d550346895d8fc141/html5/thumbnails/3.jpg)
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.
![Page 4: REDES NEURONALES](https://reader036.vdocumento.com/reader036/viewer/2022071715/56812b9d550346895d8fc141/html5/thumbnails/4.jpg)
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
![Page 5: REDES NEURONALES](https://reader036.vdocumento.com/reader036/viewer/2022071715/56812b9d550346895d8fc141/html5/thumbnails/5.jpg)
Algoritmo de Aprendizaje
![Page 6: REDES NEURONALES](https://reader036.vdocumento.com/reader036/viewer/2022071715/56812b9d550346895d8fc141/html5/thumbnails/6.jpg)
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.
![Page 7: REDES NEURONALES](https://reader036.vdocumento.com/reader036/viewer/2022071715/56812b9d550346895d8fc141/html5/thumbnails/7.jpg)
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)
![Page 8: REDES NEURONALES](https://reader036.vdocumento.com/reader036/viewer/2022071715/56812b9d550346895d8fc141/html5/thumbnails/8.jpg)
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.
![Page 9: REDES NEURONALES](https://reader036.vdocumento.com/reader036/viewer/2022071715/56812b9d550346895d8fc141/html5/thumbnails/9.jpg)
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
![Page 10: REDES NEURONALES](https://reader036.vdocumento.com/reader036/viewer/2022071715/56812b9d550346895d8fc141/html5/thumbnails/10.jpg)
Procedimiento (cont…)
5. Repetir pasos 2 a 4 hasta que no ocurran cambios significativos en los pesos.
![Page 11: REDES NEURONALES](https://reader036.vdocumento.com/reader036/viewer/2022071715/56812b9d550346895d8fc141/html5/thumbnails/11.jpg)
DEMO