REDES NEURONALES DE BASE RADIAL

Tema: Redes neuronales de base radial

Fecha: 15/07/15

INTROCUCCIÓN

Las redes de base radial son multicapa y tienen conexiones hacia adelante, y una capa oculta. Estas neuronas ocultas se activan en una región distinta del espacio de entrada y en las funciones de base radial como funciones de activación por lo general la función gaussiana.

3Las neuronas de salida realizan combinaciones lineales de las activaciones de las neuronas ocultas. Las RNBR se deben fundamentalmente a Moody y Darken (1989), Renals (1989), Poggio y Girossi (1990).

Estas redes son aproximaciones universales demostradas por Park y Sandberg en el año 1991. Siendo aplicadas a gran variedad de problemas:

·         Análisis de series temporales

·         Procesamiento de imágenes

·         Reconocimiento automático de habla  

·         Diagnósticos médicos, ect

DESARROLLO

ARQUITECTURA

Esta red está conformada por tres capas de neuronas

Capa de entrada

Se encarga de transmitir señales de entradas a las neuronas ocultas sin realizar procesamiento y las conexiones de la capa de entrada a la capa oculta no llevan pesos asociados.

Capa oculta

Realiza una transformación local y no lineal de dichas señales

Capa de salida

Realiza una combinación lineal de las activaciones de las neuronas ocultas.

CARACTERÍSTICAS DE UNA RBFN

•      Para esta red se crearon procedimientos que permiten el entrenamiento de redes de función de base radial que son más rápidos que los métodos usados para entrenar un perceptrón multicapa.
•          Emplea más neuronas que la backpropagation.
•         Trabajan mejor con un mayor número de vectores de entrenamiento.
•          Es de rápido entrenamiento.
•         Es de aprendizaje hidrido:

o   No supervisado (capa entrada).

o   Supervisado (capa salida).

•      Para la estructura de una red de este tipo se requiere de un procedimiento de entrenamiento de dos etapas.
•           Cada nodo de la salida calcula de la suma de pesos de las salidas de los nodos de la capa oculta.
•         Para este tipo de redes es probable que se requiera un mayor número de neuronas.
• CONCLUSIONES
  Las redes de base radial funcionan de mejor manera si tienen mayor número de datos de entrenamiento.
  Se caracteriza por tener tres capas donde la capa oculta es la que se encarga de la red sobre una función gaussiana.

BIBLIOGRAFIA

I  Isassi, R; Galván, I  2013. Redes neuronales artificiales. 2ed. Pearson. p 75-80.

Gómez, J; Alzate, S. 2013. Redes neuronales de base radial. (En línea). Consultado, 15 de jul. 2015. Formato PDF. Disponible en https://prezi.com/g8drepijzksm

RED HOPFIELF

Tema: Red Hopfield

Fecha: 02/07/15

INTRODUCCIÓN

El desarrollo de la red Hopfield ha sido una de las mayores aportaciones al campo de las redes neuronales, gracias a su arquitectura y funcionamiento esta red está en el conjunto de las redes neuronales más recurrentes.

La red Hopfield es una red neuronal artificial monocapa donde las neuronas están interconectadas entre sí. Esta red usa el aprendizaje no supervisado. Una de sus limitaciones es que tiene un límite de entradas en la fase de aprendizaje y para que no ocurran errores en la fase de recuperación, los patrones de almacenamiento deben tener ortogonalidad, es decir ser suficientemente diferentes.   

DESARROLLO

John Hopfield, fue quien realizó una de las mayores aportaciones al campo de las redes neuronales artificiales y estudio modelos aoutoasociativos que presentaban similitudes y diferencia entre los perceptrones.

Su arquitectura y funcionamiento incluyen esta red al conjunto de redes neuronales recurrentes, ya que cada neurona está conectada con las demás, lo que produce un procesamiento temporal de patrones y se diferencia de las demás porque actúa como memoria asociativa.

La red Hopfield es una red neuronal artificial monocapa donde todas sus neuronas están interconectadas.

CARACTERÍSTICAS

• Es una red monocapa.

• Se usa para resolver problemas de memoria asociativa

• Usa el método de aprendizaje no supervisado.

• Los datos de entrada y salida son binarios (0,1) o bipolares (1,-1)

• Los w_ii=0, ninguna unidad tiene relación consigo misma

• W_ij =W_ji, tiene una conexión simétrica.

• Las redes Hopfield poseen un valor escalar asociado a cada estado de la red conocido como energía (E) de la red.

• Pesos sinápticos:w₁, w₂,…..wn

             o   Umbral o sesgo:

             o   Estado de la unidad i= S 

¿QUÉ SE PRETENDE?

Con esto se busca que los estados de la neurona lleguen a un estado estable. Los puntos estables se corresponden con mínimos de la función de la energía.

FASES DE OPERACIÓN

1.    Almacenamiento.- Se determinan los valores que tendrán los pesos para almacenar un conjunto de patrones

2.    Recuperación.- Mecanismo para recuperar la información almacenada a partir de información incompleta.

¿QUÉ SE DEBE OBTENER?

•      Se introduce el patrón de prueba diferente a los patrones almacenados y la red debe recuperar el patrón almacenado más parecido al patrón de prueba

Puede ocurrir que en la fase de recuperación la red converja a estados estables que no correspondan con los patrones almacenados, normalmente esto ocurre por almacenar un excesivo número de patrones.

CONCLUSIÓN

La red Hopfield es una red que esta interconectada con cada neurona, es por eso que se la conoce como red recursiva.

Esta red tiene dos fases fundamentales para el aprendizaje de las neuronas, estas fases son: almacenamiento y recuperación. Donde existe un número limitado de almacenamiento y todos los patrones deben ser diferentes para que no ocurran errores de recuperación.

 

BIBLIOGRAFÍA

Isassi, R; Galván, I  2013. Redes neuronales artificiales. 2ed. Pearson. p 5-10.

Aguilar, A; Gómez, M. 2009. Redes de Hopfield. (En línea). EC. Consultado, 02 de jul. 2015. Formato PDF. Disponible en http://es.slideshare.net