Download Redes neuronales Artificiales NO supervisadas

Dr. Pedro Ponce
ITESM -CCM
Las redes de aprendizaje no supervisado
no requieren influencia externa para
ajustar los pesos de las conexiones entre
sus neuronas. La red no recibe ninguna
información por parte del entorno, y se
dice que son capaces de autoorganizarse.
.
a  hard lim( p  b)
P con dos valores posibles: 0 para la ausencia del
estímulo y 1 para la presencia del estímulo.
Si a es 1 hay respuesta por parte de la red, y si es cero no
hay respuesta.
.
Problema de clasificar por su olor o forma una fruta
a  hard lim(  p  p  b)
0
El estímulo no
condicionado será 1 si la
forma es detectada y 0 si
no lo es.
El estímulo condicionado
será 1 si el olor es
detectado y 0 si no lo es.
0
Para iniciar con el
asociador se asigna w0
con 1 y w con cero, y
b= -0.5 por lo que la
función de transferencia se
simplifica. La red
responderá sólo si p0= 1
es decir, solo con la forma.
.
.
R
ai   ij p j
j 1
ij
nuevo
 ij
anterior
 Valor positivo cte
  (aiq )( p jq )
Los pesos serán incrementados si la entrada
y la salida son positivas o negativas, y serán
disminuidos si la entrada y la salida tienen
signos contrarios teniendo en cuenta el peso
anterior.
 (q)   (q  1)  a(q) p (q)  (q  1)
T
 (q  1)
Empleando el factor de
olvido se puede ponderar la
relación entre la entrada y
la salida
.
a  hard lim(  T p  b)
ij (q)  ij (q  1)  ai (q) p j (q)  ai (q)
anterior
ij
Se agrega termino de la salida en
El factor de olvido
.
 ij   ij (q  1)  ai (q) p(q)  p(q) ij (q  1)
Se desea recordar un vector de valores
entre -1 y 1 por lo que se emplea la
función de saturación simétrica (satlins).
 Esta
red surge a partir de la teoría de
control geométrico basado en la
geometría diferencial. El modelo básico
se presentó por primera vez como un
circuito eléctrico de amplificadores
operacionales como neuronas y redes de
capacitores y resistencias.
 El
proceso de entrenamiento es un
proceso iterativo en el que se aplican las
señales de entrada y la salida en forma
calculada; el proceso se repite hasta que
la señal de salida es constante: es cuando
se dice que la red es una red estable. En
caso de que la salida no sea una salida
constante y sea una salida variable, se
tiene una red inestable.

 1, si entrada x  0

Salida  Y   1, si entrada x  0
Y , si es entrada x  0

 1, si entrada x  1

Salida  Y   1, si entrada x  1
 X , si  1  x  1

 Los
pesos se ajustan de acuerdo a
Donde
Y es vector de entrada
I matriz identidad
M número de estados a memorizar
W  YmY  MI
T
m
 y1 
 y 2
Y  
 y3 
 
 yn 
1
Y 1  1
1
 1
Y 2   1
 1
W  YmY  MI
1 0 0


I  0 1 0 
0 0 1
T
m
1
 1
1 0 0 0 2 2
W  11 1 1   1 1  1  1  20 1 0  2 0 2
1
 1
0 0 1 2 2 0
0 2 2 1 0  1

 





Y  sign 2 0 2 1  0   1
2 2 0 1 0  1
      

0 2 2  1 0   1


Y  sign 2 0 2  1  0    1
2 2 0  1 0   1
     

para f ( x)  f ( x  2l )

1
f ( x)  a0   an cos( nx)  bn sen (nx) ,
2
n 1
m

i


i 1

 m
   i sen ( xi )
 mi 1
  sen (2 x )
i
i

i 1


m
   i sen ( p xi )
 i 1
m
m
  sen( x )
i
i 1
m
  sen
i 1
i
2
( xi )
i 1
  sen(2 x )sen( x )
i
i 1
  sen
i 1
i 1

i 1
i
i
x) sen( p i x)
i
m
 i sen( xi )sen(2 i x)
  sen(

i
m
m
m
i
2
i
i
(2 xi )




m
  sen(2 x )sen( p x )
i 1
i
i
m



i yi




i 1
i 1
 b


m
 0   m

 i sen( p xi ) sen( xi )  b1    i y i sen( x) 



i 1
 b    mi 1

m
2


 i sen( p xi ) sen(2 xi )      i y i sen(2 x) 

   i 1

i 1







b
m
 p   m


   i y i sen ( p x) 
 i sen 2 ( p xi )

i 1

 i 1

m
  sen(2 x )
i
i

  sen( p x )
i
i