Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RNA007c PDF
RNA007c PDF
Red de Hopfield
2
Red de Hopfield
x1 x2 x3
Estructura: xN
wN3
wN2
wN1
1 2 3
... N
Redes Neuronales Artificiales
e1 e2 e3 eN
4
Red de Hopfield
Q Funcionamiento:
– En el instante (t=0) se aplica la información de
entrada (valores e1,e2,...,eN)
si(t=0)=ei para 1<=i<=N
– La red realiza iteraciones hasta alcanzar la
Redes Neuronales Artificiales
5
Red de Hopfield
Q Aprendizaje:
No supervisado de tipo hebbiano.
Q Expresión:
Q wij= Σk=1,M ei(k) ej(k) para 1<=ij<=N;i≠ j
Redes Neuronales Artificiales
0 para 1<=ij<=N;i= j
6
Red de Hopfield
convergencia.
4. El vector mostrado es el vector de salida.
7
Red de Hopfield
-1 -1 1 -1 -1
* [1, -1, 1, 1] =
1
1 -1 1 1
1
1 -1 1 1
9
1 -1 -1 -1
-1
1 -1 1 1 1
* [-1, 1, 1, 1] =
1 -1 1 1 1
1 -1 1 1 1
Sumamos estos productos haciendo la
diagonal 0. 0 -2 0 0
Redes Neuronales Artificiales
-2 0 0 0
W=
0 0 0 2
0 0 2 0 10
Red de Hopfield
Ejemplo
0 0 0 2
0 0 2 0
Y1=[-1, -1, -1, 1] Y1 < > X
11
Red de Hopfield
Ejemplo
0 0 2 0
Aplicaciones:
Reconocimiento de imágenes y de voz
Control de motores
Resolución de problemas de optimización
Diseño de conversores análogos
Procesamiento de señales.
Redes Neuronales Artificiales
13
Arquitectura de las redes
15
Mesoestructura
Monocapa (1 capa)
Número de capas
Multicapa
Redes Neuronales Artificiales
17
Algoritmos de aprendizaje
NO-Supervisado Supervisado
Redes Neuronales Artificiales
Clasificación de patrones
Extracción de características
Agrupamiento de datos
Modelización de sistemas
19
Hay que tener en cuenta que una de la principales
características de las redes neuronales, que las hacen
especiales frente a otros métodos, es su capacidad de
generalización; es decir, ante entradas desconocidas son
capaces de dar salidas aproximadas a las deseadas.
Redes Neuronales Artificiales
20
Aprendizaje por propagación posterior
21
Regla de actualización
Redes Neuronales Artificiales
22
Wi,j Wi,j+α x aj x Erri x g’( Ini)
Erri = Ti - Oi
Ii = Activación de un a unidad i en el nivel de entrada
23
Aprendizaje por refuerzo
24
El aprendizaje por refuerzo es otra forma de plantear todo el problema de
la inteligencia artificial.
Q Un agente en un ambiente recibe percepciones, los correlaciona con
utilidades positivas o negativas y luego decide que acción emprender.
Q La utilidad de un estado es la suma esperada de recompensas recibidas
entre el momento presente y el final de la secuencia.
25
Conclusiones
26
Redes Neuronales Artificiales
27