REDES DE FUNCIONES DE BASE RADIAL (RBFN)

Realizado por : Carlos Len, Fabin Pealoza, Christian Piedra

INTRODUCCION En esta investigacin tratamos los siguientes aspectos do las Redes de Base radial arquitectura caractersticas entrenamiento aplicaciones implementacin en neuroph studio HISTORIA Broomhead y Lowe en 1988, introducen un mtodo alternativo al perceptrn multicapa (MLP), para hacer ajuste a funciones no lineales. A esta clasificacin no lineal se la nombro las redes RBFN. A diferencia de la disposicin que se tiene en la funciones de activacin que permite construir modelos de entrenamiento mediante backpropagation, estas nuevas redes basadas en RBF construyen sus modelos con funciones de activacin que son diferente tanto en la capa oculta como la de salida. En general, una red RBF tiene un mejor desempeo con un mayor

volumen de entrenamiento.

datos

de

La construccin de una red RBF requiere de una mayor cantidad de neuronas en los nodos ocultos que en las redes que usan backpropagation. Aunque las redes RBF no son comnmente utilizadas en aplicaciones que impliquen un alto volumen de patrones de entrenamiento, se le reconoce como una red con una alta eficiencia en la fase de entrenamiento. ARQUITECTURA

Una RBFN est conformada por las siguientes capas: Capa de entrada: reciben las seales del exterior, no realizan ningn pre procesado. Capa Oculta: reciben las seales de la capa de entrada con la cual se interconecta con todos sus nodos y se realiza una transformacin local y no lineal sobre dichas seales a travs de la funcin radial (gaussiana).

Capa de Salida: Se realiza una combinacin lineal de las activaciones de las neuronas de la capa oculta y acta como salida de la red.

ENTRENAMIENTO

CARACTERISTICAS Los nodos ocultos contienen una funcin base radial, la cual tiene como parmetros un centro y un ancho. Existe un centro para cada funcin radial involucrada en la capa oculta. Regularmente, definen un vector de la misma dimensin del vector de entrada y hay normalmente un centro diferente por cada nodo de la capa oculta.

El primer clculo efectuado en la capa oculta es hallar en un nodo de la capa oculta la distancia radial (distancia euclidiana) d entre el vector de entrada x, con n observaciones, a ese nodo en particular y el centro de gravedad c de ese mismo nodo:

Este valor d es un componente de la entrada para activar la funcin radial G().

Por otro lado, el ancho es el trmino empleado para identificar a la amplitud de la campana de gauss originada por la funcin radial. Es decir, la desviacin estndar de la funcin radial.

Una de las derivaciones del modelo RBF es emplear el ancho (desviacin estndar) para activar la funcin G(). En este caso se

estara trabajando con algo como:

Fase no supervisada: se determinan los parmetros de la capa oculta. Fase supervisada: se determinan los pesos en la capa de salida APRENDIZAJE HIBRIDO Fase no supervisada

donde a es el ancho para ese nodo oculto

Puesto que las neuronas ocultas se caracterizan porque representan zonas diferentes del espacio de entradas, los centros y las desviaciones deben de ser calculados con este objetivo (clasificar el espacio de entradas en diferentes clases). Fase supervisada

Se utiliza la tcnica de correccin de error empleada en el Adaline y el perceptron multicapa donde el objetivo es la minimizacin de la funcin de error: Tal como se puede observar en el grafico la salida z del sistema sera: Donde N patrones. donde G() es la salida de la capa oculta y se corresponde con la funcin radial aplicada a la distancia euclidiana en cada una de las unidades ocultas. APRENDIZAJE HIBRIDO APRENDIZAJE TOTALMENTE SUPERVISADO es el nmero de

APRENDIZAJE HIBRIDO Determinacin de pesos:

A diferencia con el mtodo anterior, este tipo de aprendizaje no conserva, en principio, las propiedades o caractersticas locales de las redes de base radial. En este caso, todos los parmetros de la red, centros, amplitudes, pesos y umbrales, se determinan de manera completamente supervisada y con el objetivo de minimizar el error cuadrtico medio. En este proceso, en ningn momento se tiene en cuenta que las amplitudes alcancen valores tales que el solapamiento de las activaciones de las neuronas de la capa oculta sea lo ms suave posible. As que en principio, esa caracterstica de localidad se puede perder. Calculo de parmetros:

APLICACIONES Las redes RBF son frecuentemente utilizadas para resolver problemas de clasificacin, aunque generalmente son para problemas de Mapeo y poseen capacidades de aproximacin universal. Son utilizadas en: *Control. *Aproximacin de funciones *Procesamiento del lenguaje. *Visin y imgenes. procesamiento de

* Reconocimiento de Patrones. Estadstica. RADIAL VS

REDES DE BASE MULTICAPA

Perceptrn Multicapa

Uso de Funciones de Transferencia Sigmoidales. Aprendizaje Lento: Cambio de un solo peso ante un patrn, provoca cambios en la salida para todos los patrones presentados anteriormente, reducindose as el efecto de previos ciclos de aprendizaje y retrasando la convergencia. IMPLEMANTACION EN NEUROPH

Usamos la red de base radial RBFN para resolver el problema de la XOR. Los parmetros de la red son:

BIBLIOGRAFIA http://www.ibiblio.org/pub/linux/d ocs/LuCaS/Presentaciones/200304 cursoglisa/redes_neuronales/cursoglisa-redes_neuronaleshtml/x185.html http://www.webdelprofesor.ula.ve /economia/gcolmen/programa/red es_neuronales/capitulo4_funcione s_bases_radiales.pdf http://www.varpa.org/~mgpenedo/ cursos/scx/archivospdf/Tema56.pdf

1 0 P t1 0 P2 t2 1 1 1 1 0 1 P3 t3 0 P4 t4 1 0 0