Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EXPO CONTROL INTELIGENTE Redes Hopfield
EXPO CONTROL INTELIGENTE Redes Hopfield
HOPFIELD
1
INTRODUCCION
2
ANTECEDENTES
3
MODELO DE HOPFIELD
¿ Qué son?
4
ARQUITECTURA DE LA
RED HOPFIELD
Consiste básicamente en una única capa de neuronas, donde cada una se
conecta con todas las demás.
5
ARQUITECTURA DE LA
RED HOPFIELD
Se trata de una neurona similar a la perceptrón, un sencillo elemento de umbral, con
entradas binarias ({0,1} o {-1,+1}, según convenga), y salidas que en
principio llamaremos también binarias. Los pesos w ij son continuos, es
decir, números reales.
6
DINAMICAS DE LA RED
(ESQUEMAS DE ACTUALIZACIÓN)
a). Dinámica asíncrona o modo serie de operación. En un instante t
solamente una neurona de la red actualiza su estado.
7
FUNCION DE ENERGIA
DE LA RED DE HOPFIELD
"Si se pude hallar una función acotada de las variables de estado de un
sistema dinámico, tal que todos los cambios de estado den lugar a una
disminución del valor de la función, entonces el sistema posee una
solución estable".
En el caso de la Red de Hopfield esa función existe:
Propiedades de E:
• Todo cambio de x da lugar a una disminución de E
• E posee un límite inferior.
• E cuando cambia lo hace en una cantidad finita.
8
DINAMICA DE LA
RED HOPFIELD
9
DINAMICA DE LA
RED HOPFIELD
Regla de hebb.
Los pasos para que la red aprenda una lista de patrones son los
siguientes:
10
REDES HOPFIELD
11
PUNTOS DE ESTABILIDAD DE LA RED
12
LIMITACIONES DE LAS RH
Existen varios problemas asociados a la red Hopfield.
13
MAQUINA DE BOLTZMANN
14
MODELO DE HOPFIELD ANALOGICO
15
RECONOCIMIENTO DE PATRONES
Ejemplo
El entrenamiento va a consistir en el aprendizaje de dos informaciones
(patrones) de cuatro pixeles cada una.
las informaciones de entrada de la red van a ser dos vectores (M=2) de 4
elementos (N=4) conteniendo los valores de los pixeles. La red tendría 4
neuronas para que cada una reciba el valor de un pixel.
16
RECONOCIMIENTO DE PATRONES
ETAPA DE APRENDIZAJE
El aprendizaje de estas dos informaciones consiste en la obtención de
los pesos de la red (matriz W).
Para la entrada E1
La salida W1 es
17
RECONOCIMIENTO DE PATRONES
Para la entrada E2
La salida W2 es
18
RECONOCIMIENTO DE PATRONES
19
ETAPA DE FUNCIONAMIENTO
20
Como suponemos una función de activación de cada neurona de tipo
escalón con desplazamiento sobre el origen, la salida de la red
después de la primera iteración es:
S = [1 1 -1 -1]
Repitiendo el proceso, tomando como entrada la salida anterior, S.
21
Aplicando igualmente la función de activación la salida obtenida
es
S = [1 1 -1 -1]
Al repetirse la salida, la red se ha estabilizado, generándose el
patrón más parecido al que se ha presentado como entrada.
22
FILTRADO DE IMAGENES DIGITALES
• El objetivo en este programa es que la red neuronal aprenda una imagen nítida y sin
ruido y que a partir de esta sea capaz de quitarle el ruido a otra imagen similar
b1=imread('c:\matlab7\work\botel.bmp');
b1r=imread('c:\matlab7\work\botel_ruid.bmp');
T=reshape(b1bw,400,1);
FILTRADO DE IMAGENES DIGITALES
• Para mirar el desempeño que tiene la red se debe usar la imagen con ruido con su
formato cambiado a vector y simular la red y el resultado se puede mostrar en una
gráfica. El código es el siguiente:
T1=reshape(b1rbw,400,1);
[Y,Pf,Af] = sim(net,1,[ ],double(T1));
a=reshape(Y,20,20);
subplot(1,3,3)
imshow(a)
PROCEDIMIENTO:
Elabore el programa con los pasos descritos anteriormente.
Por medio del comando sim modifíquelo hasta que la salida de la imagen filtrada
sea idéntica a la imagen original.
CONCLUSIONES
26
27