Reconocimiento de caracteres mediante red neuronal de Hopfield

Danilo Mejia
danilo.mejiag@hotmail.com Las funciones de activacin de la red es sigmoidal, ya que permite almacenar patrones formados por valores reales. Cada neurona de la red se encuentra conectada a todas las dems (conexiones laterales), pero no consigo misma (no existen conexiones autorecurrentes). Adems, los pesos asociados a las conexiones entre pares de neuronas son simtricos. Esto significa que el peso de la conexin de una neurona i con otra j es de igual valor que el de la conexin de la neurona j con la i (wij=wji). Funcin de activacin. En el caso de las redes de Hopfield continuas, se trabaja con valores reales en los rangos [-1,+1] [0,1]. En ambos casos, la funcin de activacin de las neuronas es de tipo sigmoidal. Las limitaciones presentes en este mtodo son la cantidad de datos que se pueden almacenar y la necesidad de que estos sean ortogonales entre s. Nmero limitado de entradas en la etapa de aprendizaje. Si se almacenan demasiadas informaciones, durante su funcionamiento la red puede converger a valores de salida diferentes de los aprendidos, con lo que la tarea de asociacin entre la informacin presentada y alguna de las almacenadas se realiza incorrectamente. Ortogonalidad de las informaciones aprendidas. Si las informaciones almacenadas no son suficientemente diferentes entre s puede ocurrir que ante una entrada la red no haga una asociacin correcta y genere una salida errnea, provocando que la salida correspondiente a otra entrada aprendida que fuese muy parecida. Desventajas El nmero mximo de patrones no correlacionados que puede almacenar es igual al 15% del nmero de neuronas de la red. Requieren mucho tiempo de procesamiento hasta converger a una solucin estable, lo que limita su aplicabilidad

I.

INTRODUCCION

Los algoritmos de bsqueda han sido de gran importancia en la Inteligencia artificial (IA), teniendo como principal meta la resolucin de problemas reales, no tanto en el resultado final sino en la forma de su resolucin. Como se conoce existen cantidad de problemas en el mundo actual, pero todos ellos conllevan elementos comunes que nos permiten clasificarlos o estructurarlos de una forma en la cual podamos encajar en un lenguaje, para encontrar o conseguir el objetivo final que sera la solucin de un problema. Aunque algunas veces los mtodos o algoritmos de bsqueda se resuman a la consecucin de procesos matemticos para la resolucin de algn problema, notamos que los humanos no los resolvemos de esa forma, an siguen siendo estrategias eficientes y siempre han tenido su lugar en la IA. II. CARACTERISTICAS

El modelo de Hopfield consiste en una red monocapa con N neuronas cuyos valores de salida son binarios: 0/1 1/+1. En la versin original del modelo (Hopfield Discreto) las funciones de activacin de las neuronas eran del tipo escaln. Se trataba, por tanto, de una red discreta, con entradas y salidas binarias; sin embargo, posteriormente Hopfiled desarroll una versin continua con entradas y salidas analgicas utilizando neuronas con funciones de activacin tipo sigmoidal (Hopfield Continuo). Funcionamiento. La etapa de aprendizaje se basa en que los patrones puedan ser almacenados en la red como una memoria, para cuando el momento de presentar la red, esta evoluciona hasta generar una salida que coincida con la correspondiente entrada. El ingreso de informacin debe der ser codificada y representada en un vector binario con las caractersticas deseadas para la red, tomando en cuenta que cada neurona recibe un elemento del vector.

Otro de los problemas achacados a las redes de Hopfield es su tendencia a caer en mnimos locales, como en las redes de retropropagacin. La solucin pasa por aplicar los mtodos estadsticos que ya comentamos en el apartado dedicado a las redes de retropropagacin, el equilibrio termodinmico simulado. III. PROCEDIMIENTO

Este problema puede abordarse utilizando una red Hopfield de N por N neuronas, siendo N el nmero de cuadros que se plantean para analizar el tipo de letra que se obtendr. Aunque la red es de tipo continuo con valores en el intervalo [0,1], cuando la red se estabiliza, las salidas de las neuronas de la red tendrn valores binarios (1 si la neurona es activa). Cada neurona activa de la red informara del orden de una entrada para un carcter determinado en el recorrido del rea de graficacion. Se debe, por tanto, imaginar la red como una matriz N por N donde cada fila est asociada a un bit de la letra a calcularse para un determinado entrenamiento, y las columnas con la posicin de cada bit de letras en las que se ha subdividido el clculo de informacin tomada dentro del recorrido.

Por tanto, si se implementa una red contnua de NxN neuronas con unos umbrales y unos pesos con los valores obtenidos anteriormente, se llegar a una situacin de estabilidad en la que slo habr activa una neurona por cada fila y columna. De esta forma se puede establecer una aproximacin correcta comparando valores almacenados en una matriz y el reconocimiento de un patrn ingresado.

IV.

CONCLUSIONES.

Como conclusiones de la red de Hopfield se obtuvo que el entrenamiento que se realiza no es el adecuado ya que existe perdida de informacin para lo cual la red no es eficiente y usa una cantidad muy grande de informacin al introducir lo referente al clculo de vectores y matrices. REFERENCIAS.
[1] [2] [3]

El primer paso consiste en encontrar una expresin (bastante compleja) de la funcin objetivo que se quiere minimizar, para poder realizar la aproximacin despus en el clculo y as aproximar a un patrn, el ms cercano de los datos ingresados, asi de esta manera se establece un entrenamiento donde se hace uso de las caractersticas de las redes neuronales de Hopfield. A continuacin hay que relacionar esta funcin objetivo con la funcin energa de una red Hopfield para obtener una expresin, tambin bastante compleja, de los pesos de los enlaces de la red.

[4]

http://es.davidhorat.com/publicaciones/descarga/hopfiel d.pdf http://www.monografias.com/trabajos12/redneur/redne ur.shtml#TIPREDES http://thales.cica.es/rd/Recursos/rd98/TecInfo/07/capitu lo5.html http://www.monografias.com/trabajos38/redesneuronales/redes-neuronales2.shtml