Redes Auto-organizadas

Angelica Ledezma, Ulises Paredes

25 de septiembre de 2017
Introduccion

Las redes neuronales emplean su capacidad de aprendizaje para

autoorganizar la informacion que reciben durante el aprendizaje. La
autoorganizacion consiste en la modificacion de la red neuronal
completa para llevar acabo un objetivo.
Aprendizaje Competitivo
El aprendizaje competitivo es un proceso que divide un conjunto de
patrones de entrada en agrupamientos que son inherentes a los
datos de entrada. Una red de aprendizaje competitiva se
proporciona solo con vectores de entrada X y por tanto,
implementa un procedimiento de aprendizaje no supervisado. Otro
uso importante de estas redes es la cuantificacion vectorial.

Figura: Cada una de las cuatro salidas o estan conectadas a las entradas i
Aprendizaje Competitivo

Todas las unidades de salida o estan conectadas a todas las

unidades de entrada i con pesos woi Cuando un patron de entrada
x se presenta, solo una unidad (Ganadora) de salida de la red sera
activada. En una red correctamente formada, todos los valores de
entrada x de un grupo tendran la misma unidad ganadora. Para
determinar la unidad Ganadora y de la regla de aprendizaje
correspondiente existen dos metodos.
Seleccion de Unidad Ganadora: Producto Punto

En este caso se supone que los vectores de entrada x y los vectores

de peso wo son normalizados a la longitud de la unidad. Para cada
unidad de salida o calcula su valor de activacion y0 de acuerdo con
el producto punto de entrada y el vector de peso:
X
y0 = woi x = W T (1)
i

Solo queda seleccionar la senal de activacion con el maximo valor.

Esto es: yo yk tal que o 6= k
Una vez seleccionado La unidad ganadora k, los pesos se
actualizan segun:

wk (t) + ((t) wk (t))

wk (t + 1) = (2)
kwk (t) + ((t) wk (t))k
Funcion de coste

La semejanza se mide por una funcion de distancia sobre los

vectores de entrada, como se discutio anteriormente. Un criterio
comun para medir la calidad de una agrupacion dada es el criterio
de error cuadrado, dado por:
X
E= kWk p k2 (3)
p

donde k es la neurona ganadora cuando tenemos la entrada p .

Los pesos se interpretan como centros de agrupacion.
El aprendizaje competitivo mnimo para este error cuadrado
siguiendo el gradiente negativo de la funcion de error es:
1X
2
Ep = wk xip (4)
2 p
Componentes principales de las redes

Caracteristicas basicas de una red neuronal

N
X
(t) = i (t)ei (5)
i

N
X
= yi (t)i (6)
i
Bibliografa

I http :
//bibliotecadigital.ilce.edu.mx/sites/ciencia/volumen2/ciencia3/078
I https : //fismoderna.wikispaces.com/Experimento + de +
Michelson Morley
I http://hyperphysics.phy-
astr.gsu.edu/hbasees/Relativ/mmhist.html