Mapas som

Solo disponible en BuenasTareas
  • Páginas : 9 (2162 palabras )
  • Descarga(s) : 0
  • Publicado : 4 de mayo de 2011
Leer documento completo
Vista previa del texto
Mapas Auto-organizativos “SOM” (Redes Competitivas)
Table of Contents
Introducción 1
Fundamentos 2
Estructura de una SOM 3
Funcionamiento 4
Entrenamiento 4
Esquema general del algoritmo de aprendizaje SOM 7
Aplicaciones 7
Conclusiones 8
Bibliografía 8

Introducción

Los modelos de Mapas Auto-organizativos “SOM” (Self-Organizing Map, también llamados redes de Kohonen) fueronintroducidas por T. Kohonen y son un tipo especial de redes neuronales artificiales, competitivas, de aprendizaje no supervisado; distribuida de forma regular en una rejilla de, normalmente, dos dimensiones, cuyo fin es descubrir la estructura subyacente de los datos introducidos en ella. A lo largo del entrenamiento de la red, los vectores de datos son introducidos en cada neurona y secomparan con el vector de peso característico de cada neurona. La neurona que presenta menor diferencia entre su vector de peso y el vector de datos es la neurona ganadora (o BMU) y ella y sus vecinas verán modificados sus vectores de pesos.

Han sido exitosamente aplicados como una herramienta de Data Mining. Las ventajas de los mapas auto-organizativos radican en que son capaces de preservar latopología del espacio de los datos, proyectan datos altamente dimensionales a un esquema de representación de baja dimensión y tienen la habilidad de encontrar similitudes en los datos.

Aprendizaje no Supervisado
Los algoritmos de aprendizaje no supervisado no necesitan de un supervisor externo que juzgue (a priori o sobre la marcha) los resultados del proceso de aprendizaje.

* No sepresentan las salidas objetivo que se quieren asociar al patrón de entrada.
* Los algoritmos de aprendizaje solo manejan patrones de entrada.

Se pretende que la red descubra por si misma rasgos comunes, regularidades, correlaciones o categorías en los datos de entrada y los incorpora a su estructura interna de conexiones (pesos).
Se dice que la red se auto-organiza.

* La única informaciónque se usa son las similitudes y diferencias entre las entradas

Este tipo de aprendizaje exige que en los datos de entrada exista cierta "redundancia" para poder identificar esas regularidades.

Regla de Hebb: primera aproximación al aprendizaje no supervisado (sin información externa).

* Basado en evidencias fisiológicas.
* “Cuando un axón de una célula A esta lo suficientementecerca para excitar a una célula B, y toma parte repetidamente en el proceso de disparo de dicha célula, se produce un cambio metabólico en una o ambas células, que hace que la eficacia con la que A dispara a B se vea incrementada”.

De forma abreviada: cuando una neurona activa a otra, la sinapsis entre ambas queda reforzada

* No depende de factores externos, las células simplemente seinfluyen unas a otras.
* Múltiples formas de traducir esta idea a mecanismos de ajuste de pesos.

Aprendizaje competitivo
Familia de modelos de RNA que soportan aprendizaje supervisado. Normalmente estructuradas en 2 capas:

* capa de entrada
* capa de competición

Su objetivo: aprender a categorizar/ agrupar los datos de entrada. Se persigue que datos parecidos hagan reaccionar a lasmismas neuronas.

Se consigue haciendo que cada neurona se especialice en determinado "tipo" de patrones de entrada. Las neuronas juegan el papel de "prototipos" de los datos de entrada.

La idea: Para cada patrón de entrada se restringe la actualización de pesos sólo a la/las neuronas de la capa de competición cuyo grado activación haya sido más alto.

* Neuronas ganadoras = neuronas con"mayor" nivel de activación
* Neuronas ganadoras se refuerzan a sí mismas (opcionalmente, también a sus vecinas)

Las neuronas compiten por la entrada. La neurona ganadora (junto con sus pesos) representa al prototipo que se le asigna al dato de entrada.
Fundamentos

En la corteza cerebral existen zonas especializadas en ciertas tareas, neuronas asociadas a características similares...
tracking img