SOM (Self Organizing Maps)

El algoritmo de aprendizaje est basado en el aprendizaje no supervisado y

competitivo, no se necesita intervencin humana durante el mismo y que se
necesita saber muy poco sobre la informacin de entrada.
Los mapas auto-organizados (SOM) son un tipo de red que posee un
aprendizaje no supervisado competitivo, distribuida de forma regular en una
rejilla generalmente de dos dimensiones, cuyo fin es descubrir la estructura
subyacente de los datos introducidos.
Neuronas de salida

Neuronas de entrada

Modelo SOM
El SOM es un vector bidimensional de neuronas:
M= {M1,, Mpxq}
Una neurona es un vector llamado patrn representado de la siguiente
forma:
mi = {mi1,, min}

Estructura de los mapas

Rejilla rectangular: cada neurona tiene cuatro vecinos.

Rejilla hexagonal: en ella cada neurona tiene seis vecinos (excepto los
extremos).

Vecindario de una neurona

Vecindario Nc de la neurona mc.

La funcin vecindario es decreciente en el tiempo N c = Nc(t).

Pasos para SOM

Pre-procesamiento de los datos

Inicializacin

Entrenamiento

Visualizacin

Validacin

Pre-procesamiento de los datos

Los datos que proveen al SOM son de toda la red.

Toda la informacin errnea y de mala calidad debe ser eliminada.

Considerar los problemas de la integridad en la base.

Los datos deben ser transformados a una codificacin adecuada. Se

pueden normalizar los datos en una escala de 0 a 1.

Inicializacin

Hay dos tipos para los valores de las neuronas :

Inicializacin al azar (valores aleatorios a los patrones)

Inicializacin usando las primeras muestras (utiliza los primeros

datos de entrada asignndolos a los patrones)

Entrenamiento

El aprendizaje consiste en elegir una neurona ganadora por medio de

una medida de similitud y actualizar los valores de los patrones en el
vecindario del ganador; este proceso se repite para poder ir refinando el
error (acotndolo) y acercar las neuronas a una representacin ms
adecuada de los datos de entrada.

Un vector muestra se toma de los datos de entrada; el cual es

presentado a todas las neuronas en la red y se calcula la medida de
similitud entre la muestra ingresada y todos los patrones.

La unidad ms parecida en el caso de la distancia Eucldea es la neurona

ms cercana a la muestra presentada en el espacio representado por
todos los datos de entrada

|| x ||

x
i 1

2
i

Donde:
xi: corresponde al valor de la componente i del vector x.
n: corresponde a la dimensin del vector x.

La distancia Eucldea en trminos de la diferencia de la norma entre dos

d e ( x, y ) || x y ||

vectores se define como:

donde
x: corresponde al vector x, e y: al vector y.

La unidad ms parecida (Best Matching Unit), es el patrn que ms se

parece al vector de entrada.

|| x mc || min {|| x mi ||}

Se def. la neurona para la cual:

donde:
x: corresponde al vector de entrada x.
mc: corresponde al vector que representa la BMU.
i: corresponde a la neurona i.
mi: corresponde al vector que representa la neurona m i.

La regla de actualizacin del SOM para una unidad mi:

mi (t 1) mi (t ) hci (t )[ x(t ) mi (t )]
dndet: representa un estado en el tiempo.

La funcin de vecindario que incluye la tasa de aprendizaje determina la

forma en que sern actualizadas las neuronas vecinas.

ci

(t ) (t ) e

r rc||2

|| i

2 ( t ) 2

para funcin inversa

t
(t ) (0)(1 )
r

(t ) C (0)(C t )

para funcin lineal

donde C se define como r/100 siendo r la cant. total de la muestra.

Visualizacin
Como el SOM es una aproximacin de la funcin de densidad de
probabilidad de los datos de entrada entonces se puede representar de
una manera visual. Donde los colores claros significan menor distancia y
los oscuros mayor.

Validacin
La validacin significa que el modelo debe ser probado para
asegurar que devuelve valores razonables y certeros. Se puede usar un
conjunto independiente de datos; de manera que puede verse a este
conjunto de prueba como un caso representativo del caso general.

Algoritmo de aprendizaje SOM

1) Inicializar los pesos a nmeros pequeos aleatorios, adems fijar el
ratio de aprendizaje y de vecindad inicial.
2) Presentar un patrn x, y evaluar resultados.
3) Seleccionar la unidad con el resultado mnimo
4) Modificar los pesos
5) Disminuir el valor del ratio de aprendizaje y reducir la vecindad
6) Repetir de paso 2 al 5 hasta que el cambio en los valores de los pesos
sea menor del umbral o se alcance el nmero mximo de iteraciones.

Aplicaciones de las redes SOM

En la industria

monitoreo de procesos y mquinas

Identificacin de fallas

Control de robots

Esquema y subproductos resultantes de aplicar SOM

para el descubrimiento de grupos