1 / 11

REDES NEURONALES

Universidad Autónoma del estado de hidalgo. REDES NEURONALES. Facilitador : Dr. Joel Suarez Autor: Ing. Henry P . Paz Arias. Redes Auto-organizadas. Arquitectura.

Download Presentation

REDES NEURONALES

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Universidad Autónoma del estado de hidalgo REDES NEURONALES Facilitador: Dr. Joel Suarez Autor: Ing. Henry P. Paz Arias Redes Auto-organizadas

  2. Arquitectura Cada 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.

  3. 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.

  4. Convergencia

  5. Algoritmo de Aprendizaje

  6. Entrenamiento En los SOFM (Self-organizingFeatureMap), no solo se actualiza los pesos de la neurona que resulta ganadora en el aprendizaje, sino que se actualizan también los de la vecindad.

  7. Procedimiento 1. 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)

  8. 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)) dondeα es la tasa de aprendizaje y h(|i-g|,t) es la función de vecindad.

  9. Procedimiento (cont…) Modificación de los parámetros T0es el numero total de iteraciones α0es la razón inicial de aprendizaje y t va desde 1,2,….T0

  10. Procedimiento (cont…) 5. Repetir pasos 2 a 4 hasta que no ocurran cambios significativos en los pesos.

  11. DEMO

More Related