Professional Documents
Culture Documents
5. Taxonoma
Los componentes bsicos de una red de neuronas son:
5.1. Nodos de entrada:
Los datos de entrada a la red de neuronas, deber presentarse de manera que
sea procesable por sta. Normalmente se trata de un conjunto de valores que
conforman un vector de n elementos numricos (algunas redes admiten solo
elementos dentro de los nmeros enteros, otras permiten entradas reales
acotadas y otras simplemente reales). Estos nodos son los que reciben la
entrada en algn formato relacionado con el entorno real del problema y se
dedica a transformar las entradas en algo entendible por la red. Es un
preprocesamiento de adaptacin.
entradas
problema real
x0
x1
x2
xn-2
xn-1
entradas
x0
x1
x2
w1
...
xn-2
xn-1
w0
w2
salidas
wn-2
wn-1
Aqu los wi, son los pesos de las conexiones entre el nodo de entrada y el nodo
gris. Los xi, son cada uno de los elementos en que ha sido descompuesta la
entrada para conformar el vector mencionado para los nodos de entrada.
Como puede verse aqu, los pesos dependen de los nodos que interconectan.
En estos pesos quedar parte de la informacin algortmica almacenada, de
modo que al modificar el peso de una conexin estamos modificando el
algoritmo que cumple la red y por lo tanto su comportamiento.
5.3. Funcin de activacin
La mayora de las unidades dentro de la red convertir su entrada a otro valor
escalar utilizando esta funcin. El valor resultante es denominado activacin.
Salvo para las neuronas de salida, normalmente estos valores son enviados va
sinpsis a otras unidades. En algunos casos estos valores son acotados. Todas
las redes tienen esta funcin, y en el peor de los casos su resultado ser
idntico a su entrada, o sea una funcin identidad o lineal.
Para nuestro estudio, tomaremos una red muy sencilla que se utiliza para
clasificar patrones, es el caso de la red de Hopfield.Para adaptar (1) conforme a
esta red, incluyendo la funcin de activacin, debemos tomar el valor obtenido
en (1) (llammoslo ) y hacerlo pasar por una funcin fh:
+1, > 1
(2) fh = 0 , [-1..+1]
-1, < -1
lo que grficamente sera:
+1
fh
-1
entradas
x0
x1
x2
w1
...
xn-2
xn-1
w0
w2
wn-2
fh
salidas
wn-1
2
...
suceso
ingresa el vector de entrada en los
nodos input. Se inicializan los pesos wi.
Se establece que tan rpido se quiere
aprender dndole un valor a .
el nodo procesa por primera vez la
entrada y obtiene un error , que se
usa para corregir los pesos con la
rapidez dada por
se repite el paso de t=1
Cada patrn contiene 120 pixels, y slo nmeros 1 o +1 (para puntos blancos o
negros)
Luego se tom el patrn del nmero 3 y se lo distorcion invirtiendo bits al azar
con una probabilidad de 0.25. El resultado de la distorcin fue introducido en la
red para ver si reconoca que el patrn original era realmente un 3 o si lo
confunda con otra cosa (esta es la misma tcnica que se utiliza para los filtros).
A continuacin estn las 8 salidas sucesivas de la red desde el momento inicial
en t=0, hasta que se llega al resultado final en t=7:
t=0
t=4
t=1
t=5
t=2
t=6
t=3
t=7
7. Aplicacin
1.
2.
3.
4.
5.
Clasificacin
Reconocimiento de imgenes
Determinacin de patrones de comportamiento (ej.webmining)
Filtros (eliminacin de ruidos)
Robtica (ej. para que el robot aprenda a mantener el equilibrio)