Please enable JavaScript.

Coggle requires JavaScript to display documents.

Aprendizaje no supervisado, ESTRUCTURA DE LA RED - Coggle Diagram

- - - - La red de Hopfield tiene un mecanismo de aprendizaje OFF LINE. Por lo tanto se distinguen dos fasesde operación, llamadas fase de aprendizaje y fase de funcionamiento
    - - ETAPA DE FUNCIONAMIENTO:
        
        Se realiza la multiplicación de los vectores de entrada por la matriz de pesos W que se calculo en la fase de aprendizaje DFSD
        
        La red recibe como entrada inicial un patrón o conjunto de patrone, digamos:
        E = e1, e2, . . . , eQ.
        
        Este proceso continua hasta que
        las salidas de las neuronas se estabilizan, es decir, hasta que
        a(k) = a(k + 1)
      - ETAPA DE APRENDIZAJE
        
        Construir la matriz de pesos W a partir de los Q vectores de entrada:
        W = ΣQ i=1(pT i pi − I)
- - - - Seleccionar la topología de la red para determinar que nodos son adyacentes a otros.
      - Fijar el n´umero k de iteraciones, generalmete se elige k ≥ 500.
      - Inicializar la distancia d y la matriz de pesos W con valores aleatorios pequeños
      - Seleccionar un patrón de entrada pi y calcular la distancia entre pi y los pesos Wj asociados a cada neurona de salida:
        d2 = ΣN j=1 (pij − Wj (k))2
      - Elegir la neurona ganadora i, será aquella que tenga el valor mínimo obtenido en el paso anterior.
      - Se actualizan los pesos de la neurona vencedora, así como los pesos de las neuronas vecinas:
        Wi(k + 1) = Wi(k) + α(k)(pi − Wi(k))
      - Se repite el proceso a partir del paso 4, presentando todos los patrones del conjunto de entrenamiento, hasta completar el n´umero de iteraciones dado en el paso 2
- - - - La estructura de la red LVQ se muestra en la Figura La entrada neta a la primera capa de la red es:
        n1= i = − || W1i − pT||
    - - En cada iteración, se presenta un vector de entrada pi a la red y se calcula la distancia de la matriz de pesos al vector prototipo.
      - Las neuronas ocultas compiten; si la neurona ganadora es i entonces el i -esimo elemento a se fija en 1 y los demás en 0:
        a1 = compet(n1)
      - Se multiplica a1 por W2 para obtener la salida final a2, la cual tiene solamente un elemento no cero, indicando que el patrón pi esta siendo asignado a la clase k
      - Se emplea la regla de Kohonen para mejorar la capa oculta de la red, en dos formas: