Dendrita Nucleo Peso entrada Entrada salida Bies error funcion de transferencia Neurona artificial representacion Red Neuronal Red Neuronal Artificial Como construirla
No hay reglas en la actualidad para la
construcción Deben resolverse dos cosas para la determinación de la red • 1. El conjunto de entradas de entrenamiento, con el cual se pretende encontrar la funciones de clasificación de la red. • 2. El conjunto de salida correspondiente a cada una de las entradas de entrenamiento. El problema de la normalización
El problema radica en que el mundo real el dominio de
comunicación se de por medio de palabras, y en el mundo de las redes neuronales el dominio de comunicación es valores que oscilan entre 0 y 1. No hay reglas para la normalización pero un método sencillo es enumerar nuestro dominio de entradas y convertir a binario esta numeración, lo mimo para nuestra salidas. Normalización
Supóngase que se tiene una variable llamada Motor y otra variable llamada puertas. Con los siguientes valores posibles. 1.6,1.8, 2.4,3.5 y puertas con 2,4 y 5.
Una vez obtenido los valores 0 y 1 de los dominios de entrada, se procede
contar los dígitos totales de los conjuntos. El conteo total es de 5 dígitos para la entrada
Motor Puertas 3 dígitos (100) 2 dígitos(11)
Se asume que la cantidad de neuronas de entrada es de 5 Neuronas.
Normaliazación …..
Ahora se aplica el mismo principio para la o las variables de salida.
Supóngase que la salida es el vehículo con las características.
Vehiculo Valor Normalizacion
Sedan 1 001 Van 2 010 Pick up 3 011 Mini Van 4 100 Sport 5 101 Ahora podemos decir que la salida requiere de 3 neuronas, una por cada digito correspondiente. Contruyendo la red
Una vez que se ha obtenido el numero de neuronas de entrada y el numero de
neuronas de salida, podemos proceder a construir una red perceptor multicapa solo hace falta calcular las neuronas de la capa oculta, sin embargo aquí tampoco hay reglas del numero de neuronas, por lo que se siguiere sea por lo menos del mismo numero de neuronas de entrada para casos donde las variables han sido normalizadas con el método anteriormente descrito. O en su defecto multiplicarlos por un factor entero.
Neuronas ocultas= Neuronas de entradas * factor (se recomienda factor=1)
Construyendo la red
El resultado del ejercicio anterior seria de
5 Neuronas de entrada, 5 Ocultas y 3 de salida. Entrenamiento de la red Con el algoritmo Backprogation Cada Neurona esta compuesta de unidades que representan las dendritas, cada dendrita tiene un peso o valor representados por w1, w2 y la neurona tiene una salida representada por y, el trabajo de la neurona corresponde a la sinapsis donde los valores de entrada (x1,y x2) son multiplicados por los pesos y se suma los valores, este resultado es pasado por una función de transferencia para obtener la salida. Funciones de transferencia en el algoritmo Para las neuronas de entrada y oculta ( 1/(1-(e Exp entrada))) Para las neuronas de salida el resultado de la suma no se toca por lo que se llana función purelin. Entrenamiento Para enseñar a la red se necesita un conjunto de entrenamiento, (x1,x2) asignados a una salida deseada (z) , La red entrena en un proceso repetitivo donde en cada iteración los coeficientes de los pesos de cada dendrita son modificados para cada uno de los conjuntos de entrenamiento, cada entrenamiento comienza incorporando las entradas del conjunto de entrenamiento a las dendritas de las neuronas de entrada. Cada neurona obtendrá su sinapsis al sumar las multiplicaciones de cada dendrita por su entrada correspondiente. Entrenamiento… Entrenamiento Entrenamiento… Entrenamiento A continuación se propagan las salidas de cada neurona a cada dendrita de las neuronas ocultas, no sin antes pasarlas por la función de transferencia aplicada en el núcleo de la Neurona Entrenamiento…. Entrenamiento… Del mismo modo las neuronas ocultas trasfieren su salida a las dendritas de las neuronas de salida. Entrenamiento En la siguiente parte del algoritmo es comparar la salida transferida de las neuronas de salida con la salida deseada. Y obtener el margen de error Entrenamiento….. Ahora conocido el error cada neurona ajustara de acuerdo a su nivel de responsabilidad ( por los factores de pesos en las dendritas), para ello se propagara el error hacia atrás. Veamos como se propaga el error Entrenamiento….. Entrenamiento…. Entrenamiento… Pasa el margen de error hacia atrás a las neuronas de entrada Entrenamiento….. Entrenamiento….. Ajustando los pesos en las dendritas
El siguiente paso es ajustar los pesos en las dendritas
No debe olvidarse que hay una función aplicada de por medio antes de la salida, llamada función de transferencia, para saber que nivel de responsabilidad tiene esta función en el error deberá derivarse la función. Para los casos de las neuronas de entrada y ocultas la derivada correspondiente la función (1/(1 – (e EXP –salida)) es: (1 – salida) ( salida) y para el caso de las neuronas de salida que no se aplica ninguna función la derivada es 1 sin embargo se suguiere aplicar – -2(1) = -2 en lugar de 1 según [Hagan 1995] Para el ajuste de pesos se aplica un algoritmo de Optimización pero tan simple como aplicar un factor de aprendizaje a la ecuación de ajuste, el factor será el mismo para todas las neuronas se sugiere valores pequeños como 0.4 Entrenamiento….. Entrenamiento…. Entrenamiento …. Entrenamiento…… Entrenamiento…… Entrenamiento…. Entrenamiento
A la serie de pasos anteriores se le llama época, al finalizar la época debe
incorporarse otro conjunto de entrenamiento y evaluarse con su salida deseada, al terminarse los conjuntos de entrenamiento debe comenzarse con el conjunto uno y así sucesivamente hasta que una de las tres siguientes cosas pasen:
1.- Los salidas obtenidas sean iguales a las deseas
2.- las salidas sean muy muy cercanas a las deseadas 3.- Se haya puesto al algoritmo un numero de épocas predeterminado y este numero de épocas se haya realizado.
El numero de épocas depende del problema, normalmente con 350 epocas en un
problema sencillo bastara, pero en caso muy densos y dispersos poco entendibles quizá pase por encima de las 300 mil épocas.
![Evaluacion final - Escenario 8_ SEGUNDO BLOQUE-TEORICO_PSICOBIOLOGIA-[GRUPO B01]](https://imgv2-2-f.scribdassets.com/img/document/548219930/149x198/ab6690338c/1639943432?v=1)
![<20-02> Steiner, Rudolf [ga293] El estudio del hombre](https://imgv2-1-f.scribdassets.com/img/document/458518110/149x198/b34bc5b941/1638741080?v=1)
