Está en la página 1de 3

Inteligencia Artificial

MAPAS AUTO ORGANIZADOS KOHONE


Inteligencia Artificial
IE. JHON MARIO MURCIA YARA. Esp
U3900239@unimilitar.edu.co
COD. 3900239

Resumen

Se realiza entrenamiento de una red neuronal con el método de Kohone, se usa la red para clasificar
patrones de entrada similares en el espacio n-dimensional. Una clase o grupo de patrones similares
tiende a controlar una neurona específica, entrando hasta los cluster y realizando la validación y
organización.
Después del aprendizaje, la clasificación consiste en presentar una entrada y seleccionar la unidad
más activada, la ganadora, mediante la función de distancia utilizada (gana la más cercana al patrón
de entrada). Además, el vector de pesos nos servirá para reconstruir el patrón de entrada.

Abstract desaparezca, aumentando así su capacidad de


extraer o mapear características topológicas
The principle to train a neural network having de los datos.
as main objective to identify the most
equidistant elements and validate the OBJETIVO
distances and the nearest will have the best
value of the weight. Realizar una red neuronal con el método de
kohone, que realice comparación de cluster y
You want to compare from matrix vectors, organice utilizando la menor distancia.
and train the network so that the colors are
organized according to the distance. OBJETIVOS ESPECIFICOS

1. INTRODUCCION  Realizar entrenamiento de redes con


el método Kohone.
Cuando se aplica el método de Kohone a la
categoría de las redes competitivas o mapas  Lograr hallar los cluster ganadores y
de auto organización, con aprendizaje no etiquetarlos
supervisado de tipo competitivo. Es
importante tener en cuenta que la arquitectura  Realizar organización de los colores.
es de dos capas (entrada-salida).
2. MARCO TEORICO
Se observa que las unidades de entrada
reciben datos continuos normalizados, se 2.1. DEFINICION
normalizan así mismo los pesos de las
conexiones con la capa de salida. Tras el
El método de kohone es una forma de redes
aprendizaje de la red, cada patrón de entrada
activará una única unidad de salida. neuronales que permite entrenar por medio de
distancias de identidades utilizando los
Una de las cualidades de este tipo de redes es cluster, pero se deben cumplir algunos pasos
la incorporación a la regla de aprendizaje de necesarios:
cierto grado de sensibilidad con respecto al
vecindario o historia. Esto hace que el 1. Aplicar un patrón de entrada.
número de neuronas que no aprenden
1. http://magomar.webs.upv.es/rna/tutorial/RNA_kohonen.html
Inteligencia Artificial

2. Calcular alguna medida de 2.2.1. Funcionamiento


similitud/disimilitud (producto
interno, distancia euclídea o de Su procedimiento se basa en el calcula de
Mahalanobis, etc.) entre las entradas distancias euclideas sobre los patrones de
y los pesos de las conexiones. Por entrada, donde si se tiene patrones de entrada,
ejemplo, mediante la distancia donde si se tiene patrones de entrada N –
euclídea: dimensionales se procede a dar valores
aleatorios a los pesos de las conexiones.
𝑁
𝑛 Aplicar un patrón de entradas, calcular alguna
𝐷𝑗 = √∑(𝑋𝑖 − 𝑤𝑖𝑗)2 medida de similitud, entre las entradas y los
𝑖=1 pesos de las conexiones, como puede ser
mediante la distancia euclideana.
Donde X son los vectores de entrada.
La unidad de salida con los pesos más
3. La unidad de salida con los pesos parecidos al patrón de entrada es declarada
más parecidos al patrón de entrada ganadora, el vector de pesos de la unidad
(es decir, menor Dj) es declarada ganadora. El vector de pesos de la unidad
ganadora. El vector de pesos de la ganadora, se convierte en el centro de un
unidad ganadora, Wc, se convierte en grupo de vectores cercanos a él, esto es
el centro de un grupo de vectores revisión de distancias y proximidad por ser
cercanos a él Wc, en concreto, a un sistema no supervisado.
menos de cierta distancia D.
Modificar los pesos de los vectores cercanos
4. Modificar los pesos de los vectores a una distancia menor.
de pesos Wj "cercanos" a Wc
(distancia menor a D), según la 3. PROCEDIMIENTO
fórmula:
%METODO KOHONE
𝛥𝑊𝑗 = 𝜂(𝑋 − 𝑊𝑗) %IE. JHON MARIO MURCIA. Esp.

Donde h es una pequeña constante positiva %%EXPLORAR DATOS


[1].
%Hacer una matriz de colores
2.2. CARACTERISTICAS
clc; close all;
Una de las cualidades de este método es la f=10; %filas del arreglo de neuronas
incorporación a la regla de aprendizaje de c=15; %columnas del arreglo de neuronas
cierto grado de sensibilidad con respecto al n=5;%numero de patrones a entrenar
vecindario, haciendo que las neuronas que no ti=(1000+500*f*c)/10; %total de iteraciones
aprenden desaparezca, aumentando así su
capacidad de extraer o mapear características xr=[1,1,1,1,0]
topológicas de los datos. xg=[1,0,0,1,0]
xb=[0,0,1,1,0]
La red mapea el espacio de entrada hacia un
espacio de salida con cierto orden topológico, DT=zeros(f,c,n);
Kohonen propone un método para que se w=rand(f,c,3);
conserve el orden de entrada de la red. w1=w;
h=zeros(f,c);
d=zeros(f,c);
miu0=0.1;
1. http://magomar.webs.upv.es/rna/tutorial/RNA_kohonen.html
Inteligencia Artificial

tau2=1000;  La inteligencia artificial, debe ser


utilizada de acuerdo a lo que se desea
Cluster y Validaciones realizar, utilizando diferentes
métodos estudiados como el de
nc=6;%numero de clusters Kohone, para entrenamiento no
C=rand(1,nc,3); supervisado, para fines de separación
%C=zeros(1,nc,3); y aprendizaje de máquina, todo
cr=C(1,:,1); enfocado al rendimiento de la misma.
cg=C(1,:,2);
cb=C(1,:,3); BIBLIOGRAFIA
tic=1000;%total de iteraciones
para el clustering [1] Nilson, N. J. “Inteligencia Artificial. Una
dc=zeros(1,nc); nueva síntesis .Mc Graw
DC=zeros(1,nc);
[2] Fernandez, S. ; Gonzalez, J.; Mira, J.
4. ANALISIS. “Problemas resueltos de Inteligencia
Artificial Aplicada. Búsqueda y
El método de Kohone realiza la comparación representación”. Addison - Wesley.
entre distancias de neuronas y cluster
realizando organización de elementos de
manera ordena; es un excelente método para
este tipo de entrenamiento de Inteligencia
Artificial.

Se debe realizar un GUIDE para que el


usuario por maquina pueda escoger el color
seleccionado, las cantidades iteraciones, y el
método de entrenamiento esto con el fin de
que el programa se haga más específico,
además de buscar la manera de optimizar el
código para evitar el consumo de máquina.

CONCLUSIONES

 Se realizó un código especifico del


método de Kohone para realizar
selección de colores de manera
random, esto con el fin de verificar la
funcionalidad de la aplicación y
además la validación de los cluster
para realizar entrenamiento neuronal.

 Se logró utilizar el método de manera


funcional según los requerimientos
previos, con algunas falencias de tipo
GUIDE esto con el fin de hacerlo
más específico hacia la necesidad del
usuario.

1. http://magomar.webs.upv.es/rna/tutorial/RNA_kohonen.html

También podría gustarte