Está en la página 1de 5

1

PRÁCTICA 3. APLICACIÓN DE REDES
AUTO-ORGANIZATIVOS DE KOHONEN
Lorena Castro, Laudy Mora, Jhon Rodríguez
{u1801580, u1802341, u1802053}@unimilitar.edu.co


Resumen—En la práctica se realizó el diseño de un software
basado en los mapas auto-organizativos de Kohonen que III. MARCO TEÓRICO
permite a un robot diferencial moverse a través de una
trayectoria de forma autónoma, utilizando la red neuronal
previamente entrenada y trazando la trayectoria del robot A. CLUSTER ANALISIS
móvil por medio del reconocimiento de los caracteres en la
pista. El analisis de agrupamiento o Cluster Analisis es un estudio de
Abstract— In the practice a software was designed based on algoritmos y metodos para agrupar o clasificar informacion.
the Kohonen self-organizing maps that allows a differential Cualquier objeto es descrito por alguna caracteristica o
robot move automatically, using the neural networks that was relacion de si mismo con otros objetos.[1]
already trained and tracing the path of the differential robot by
the characters recognition in the track. Este analisis no utiliza ningun tipo de etiqueta para la
identificacion de objetos, sino que aplica un analisis
Índice de Términos—Kohonen, trayectoria, auto- discriminante. El objetivo es encontrar una forma de organizar
la informacion de tal manera que no se establezcan reglas sino
organizativo, no supervisado.
que se haga el agrupamiento por su clase, categoria o
caracteristica especifica.[2]
I. INTRODUCCIÓN
La base de muchos análisis o practicas científicas utilizan la B. SISTEMAS AUTO-ORGANIZADOS
agrupación de objetos de acuerda a una característica que los
identifique. Esta agrupación es un modo de aprender y Los sistemas auto-organizados se idearon partiendo de la auto-
entender, y al analizarlo desarrollan algoritmos y métodos para organización de células nerviosas de la corteza cerebral
esta agrupación o clasificación de datos. El objetivo de esto es conocido también como el aprendizaje competitivo.
encontrar una forma conveniente de organizar la información
en categorías. Utilizando las redes auto-organizativas de También se propuso un cognitron es en sí es una red
Kohonen se simula el proceso de aprendizaje competitivo multicapa competitiva y auto-organizada donde se trabajó
donde detecta caracteres para trazar una trayectoria y sobre la conexión neuronal y la clasificación adaptativa de
recorrerla. patrones.[3]

II. OBJETIVOS C. MAPAS AUTO-ORGANIZADOS DE KOHONEN
A. OBJETIVO GENERAL (KSOM)
Realizar una red neuronal mediante mapa de kohonen, con la
cual se trazará una trayectoria. Estos sistemas también conocidos como redes auto-
organizadas de kohonen, mapas características de kohonen o
paras de topología preservada son redes basadas en
B. OBJETIVOS ESPECIFICOS competitividad para el agrupamiento de información.
Reconocer varios caracteres con la red back propagation, para
obtener las posiciones sobre la pista y generar una trayectoria La red Kohonen es una red de aprendizaje no supervisado
con estas coordenadas. donde las neuronas se organizan como nodos de una red con
uno o dos (o a veces 3) dimensiones. Los KSOM permiten
Implementar la trayectoria con un robot móvil el cual debe observar la información de alta dimensión en una red de baja
pasar por los caracteres identificados. dimensionalidad manteniendo la topología de la información
general. Donde se realiza una proyección no lineal de las
entradas donde la dimensión es la misma de la red.

Esto se comprueba utilizando un criterio de distancia. . también estarán cerca del salida (i) en la época k.  Cooperativo c) Puede ser unidimensional o multidimensional (K o  Adaptativo KxK).[4] Características topológicas: Caracteristicas de funcionamiento: 1) Solo posee una capa de neuronas. Al final todas las neuronas están c) Todas las entradas se encentran conectadas a cada agrupadas correspondiendo a sus características (Patrones). que es la dimensión de la como una clasificación dependiendo de las características de entrada. todas las neuronas compiten por activarse y solo las b) No hay ningún tipo de procesamiento. la de salida a) Tiene una realimentación general que es de firma Es el aprendizaje es las redes de Kohonen tienen 3 fases: indirecta.  Competitivo b) La capa de salida tiene K neuronas. Proceso cooperativo: Las TRNs tienen su razón biológica. neurona de la red. Estructura de la red: Proceso competitivo: En la siguiente figura se muestra una red auto-organizada de Kohonen simple con 2 entradas y 49 salidas. alguna acción de entrenamiento. generalmente se utiliza distancia Euclidiana.[4] una “vecindad” topológica cooperativa que se define como función de vecindad que es generalmente de tipo Gaussiana: Aprendizaje adaptativo: 𝑑2 −( ) ℎ(𝑘) = 𝑒 2𝜎 2 (3)  Aprendizaje competitivo fuerte: este consiste Dónde esencialmente en que el ganador se lleva todo. 𝑛 𝐷𝑗 (𝑘) = ∑[𝑥𝑖 (𝑘) − 𝑊𝑗𝑖 (𝑘)]2 (2) Figura 1. Es lo más cercano al modelo real en Dónde: 𝜎0 : Valor de inicio. [5] Se tiene una entrada: 𝑋(𝑡) = [𝑥1 (𝑡). Las neuronas tienen un tipo de “competencia” y la ganadora será la que tenga el vector de pesos más parecido al vector de entrada. 2) La capa de entrada se distribuye a la capa de salida El algoritmo de aprendizaje organiza las neuronas vecinas a) Consiste de N neuronas. KSOM son redes TRN (Topologic Representation Network).[4] otras redes no supervisadas. entrada. 2 Los KSOM utilizan funciones llamadas funciones de vecindad la corteza cerebral y este es el que utiliza el KSOM y para simular el comportamiento biológico del cual se basan. KSOM ya entrenado. y estas 3 fases deben hacerse secuencialmente. 𝑾𝒋𝒊 (𝒌): es el peso entre el nodo de entrada (j) y el nodo de esto quiere decir que si dos patrones de entrenamiento cualquiera están cerca uno del otro. vecinas actualizan su peso. o el mapa somato Cuando se tiene la neurona ganadora. que la neurona ganadora es la única que recibe vecinas. muestra en la siguiente ecuación:  Aprendizaje competitivo suave: este consiste esencialmente en “compartir con los vecinos”. por ejemplo el mapa retino tópico entre la retina y la corteza. a su alrededor se define sensorial. … … … 𝑥𝑛 (𝑡)] (1) Luego se calcula la distancia entre X(t) y cada uno de los nodos de salida. Donde 𝒙𝒊 (𝒌): es el componente de i del vector de entrada en la época Preservación topológica t. quiere −( 𝑘 ) 𝜎(𝑘) = 𝜎0 ∗ 𝑒 𝜏1 (4) decir que no solo la neurona ganadora sino sus neuronas “vecinas” reciben la acción del entrenamiento. d) Las neuronas que se manejan no son de tipo Se deben asignar valores aleatorios para los pesos de las perceptrón. es d: es la distancia entre la neurona ganadora y sus neuronas decir. similar al Generalmente 𝜎 varia con respecto a las iteraciones como se entrenamiento supervisado. Red auto-organizada de Kohonen con 2 entradas y 49 salidas y el 𝑖−1 tamaño de la vecindad alrededor de la neurona ganadora en cada iteración. neuronas.

Kohonen para la detección de los patrones en una pista que se diseñó con los caracteres previamente entrenados. Posterior a esto se selecciona el carácter que se quiere reconocer. . 𝑘 Figura 5. PROCEDIMIENTO Red de Kohonen Se procede a implementar los mapas auto-organizativos de Figura 6.1 𝜏2 = 1000 IV. Generalmente se utilizan los siguientes valores para el factor de aprendizaje: 𝜇0 = 0. 𝜏1 = (5) log(𝜎0 ) Figura 2. Esos pesos se actualizan con la siguiente función vectorial: 𝜔𝑗 (𝑘 + 1) = 𝜔𝑗 (𝑘) + 𝜇(𝑘) ∗ ℎ(𝑘) (𝑥 − 𝜔𝑗 (𝑘)) (6) El tamaño de la vecindad y el factor de aprendizaje µ disminuyen con cada iteración. Proceso adaptativo: Hay que tener en cuenta los pesos que se utilizan en la función de vecindad de la neurona ganadora. En ella se selecciona cual pista se desea seleccionar. Interfaz gráfica. 3 1000 𝜏1 : Constante de inicio . Pista número 2. Figura 4. Figura 3. Pista número 1. este carácter está definido por el vector de salida del entrenamiento adquirido en la práctica anterior donde se enuncia la posición de ese carácter dentro del vector. Pista número 3. −( ) 𝜇(𝑘) = 𝜇0 ∗ 𝑒 𝜏2 (7) La interfaz gráfica se ve de la siguiente manera: El algoritmo termina cuando 𝑘 = 𝑘𝑚𝑎𝑥 o cuando los pesos dejen de variar.Funcion de vecindad tipo “sombrero mexicano”.

Calculo de funciones de Kohonen. . Calculo de funciones de Kohonen. carácter y se grafica esa posición. En el cuadro de coordenadas de la interfaz se muestra la ubicación de cada punto en la pista y se fijan los puntos inicial y final para que el algoritmo trace la trayectoria. y desde la primera iteración busca la neurona con menor distancia (la ganadora) y va guardando la posición mientras se El algoritmo fue capaz de identificar todos los parámetros para va actualizando. Al tener los puntos inicial y Se identificaron por completo las diferentes combinaciones de final procede a calcular los pesos aleatorios de los otros puntos caracteres sobre la pista. (3). Figura 7. (4). (5) y (7). Por ultimo de ejecuta el algoritmo de Kohonen utilizando las V. guardando las coordenadas. luego de hacer la detección del carácter seleccionado calcula la salida de la primera capa con los pesos aleatorios y de la segunda capa que es la de salida. Calculo de las capas de la red. Calculo de funciones de Kohonen. Después se calcula el centroide del cuadro que encierra el Figura 11. CONCLUSIONES formulas (2). Figura 8. mapa de kohonen. 4 Figura 9. Figura 10. Posterior a esto se realiza la binarización de la imagen para que el programa detecte los caracteres. Después de esto se procede a calcular los calcular sus centroides y calcular las coordenadas de entrada al pesos de las neuronas aleatorias utilizando la formula (6). Selección del caracter.

Vol Se probó el mapa con pocas neuronas y evidenciamos que no 35. [4] T. trayectoria indicada sin problema alguno. [1] E. Shing and R.. pero a medida que se iba [2] A. Neuro-Fuzzy and Soft Computing. 5 El mapa auto organizado funciona correctamente se evidencia que entre más neuronas posea el mapa minimiza el error entre REFERENCIAS las letras. Dubes. K. Massachusetts: Prentice Hall. C. . Algorithms for Clustering subiendo el número de neuronas este error iba disminuyendo. Unsolved Problems in Cluster Analysis. S. Kohonen. Sci.S. “KSOM . B. 1995.. [3] A. IEEE Press. [5] J.” Inf.Kohonen Self-Organization Map. lograba llegar a algunos caracteres. Pattern Recognition with Neural La mejora mecánica del carro permitió que este hiciera la Networks in C++. New Jersey: Prentice Hall. 1995. Data. Pandya. 1984. Jain and R. Shang. 1979.