Beruflich Dokumente
Kultur Dokumente
Roberto Carlos Guevara Calume Ingeniero Sistemas, Esp. Redes Corporativas integración de
tecnologías, Msc Automatización y control industrial
El Centro: Punto donde la función posee un extremo. Para lograr esta aproximación de (2), realizaremos una
regresión, con la peculiaridad de que en lugar de usar como
El Ancho: Magnitud de la variación de la función
base a los monomios de distintos grados, utilizaremos
según se aleja del centro.
funciones de base radial.
Su forma generalizada es:
A. Tipos de funciones de base radial.
1
h( x) exp ( x c)T · 1·( x c) (1) Básicamente se encontró que las funciones se pueden
2 catalogar dentro de dos tipos que son:
De (1) 1 es la matriz de ―radios‖ de la función, ésta es la Redes de Funciones de Base Radial Simples:
2
Las redes de funciones de base radial simples tienen la Selección Fija de Centros, Pesos y Varianzas
arquitectura de un perceptrón de tres capas donde la capa
oculta tiene tantas neuronas como datos hay en nuestra
muestra (conjunto de entrenamiento). Las funciones de base
radial corresponderán a cada una de las neuronas de la capa Centros
escondida.
1 2
hc ( x) exp 2 x c (2)
1) Si se trata de una red simple FBR:
Se escoge un valor m para el número de neuronas escondidas. estimar m en base al conjunto de entrenamiento del que se
Los m centros se determinan por un algoritmo de ―clusters‖. dispone, y al problema particular. En general el tamaño de m
Lo que hace este algoritmo es colocar los centros en donde se óptimo para un tamaño N dado de conjunto de entrenamiento
encuentran los datos significantes del conjunto de es proporcional a N 1/3.
entrenamiento.
II. REDES NEURONALES AUTOORGANIZADAS : MAPAS DE
A grandes rasgos: KOHONEN
Podríamos referirnos a los mapas autoorganizados de
1.- Se inicializan los m centros al azar. _oñeen [2], como la técnica de clausterización más
2.- Se elige un punto del conjunto de entrenamiento con usada. Esta red se compone de dos capas de neuronas
cierta probabilidad. una lineal y otra matricial, figura 1, la primera de ellas
3.- Se determina qué centro es el que se encuentra más (capa de entrada), tiene tantas neuronas como dimisiones
cercano a este punto. tenga el espacio de entrada, y la segunda, que se ajusta
4.- El ganador se acercará al punto en cuestión en una después del entrenamiento a los patrones de entrada,
proporción (tasa de aprendizaje) a la distancia que hay tiene tantas neuronas como deseemos, tal que, la
entre ellos. adaptación sea total o por lo menos abarquemos la mayor
El resto de los centros permanecen igual. parte del espacio de entrada (cantidad de patrones de
5.- Se sigue este proceso hasta que no haya cambios entrenamiento). El proceso de entrenamiento de esta red
relevantes en los centros. es competitivo [1], pero no es preciso detallarlo en este
momento, en verdad es más importante revisar de que
D. Aprendizaje Supervisado manera puede resolver nuestro problema.
Pesos
Pesos
Pesos E (n)
wi (n 1) wi (n) 1 E (n)
wwi ((nn11))wwi ((nn))1 wEi ((nn))
1w ( n)
wi i (n)
i i
Centros
Centros
Centros E (n)
ci (n 1) ci (n) 2 E (n)
cci ((nn11))cci ((nn))2 cEi ((nn))
2 c ( n)
ci i (n)
i i
Varianza
Varianza
Varianza E (n)
i11 (n 1) i11 (n) 3 E1(n)
i 1((nn11))i 1((nn))3 E i1
( n)
3 1( n)
(n)
i i
i
i