Redes neuronales competitivas

Universidad de Guadalajara
Centro universitario de Ciencia Exactas e Ingenierías
Roberto Israel Varela Hernández
Ciclo 2010B
Practica 3
Redes Neuronales Artificiales
Dra. Alma YolandaAlanís García

clear all
clc
X = [0 1; 0 1]; % Limites de los clusters
clusters = 8; % Cantidad de clusters
points = 10; % Numero de puntos en cada cluster
std_dev = 0.05; %Desviacion estandar de cada cluster
p = nngenc(X,clusters,points,std_dev);
plot(p(1,:),p(2,:),'+r');
net=newc([0 1; 0 1],clusters,0.01);
net.trainParam.epochs=200;
net=train(net,p);pesos=net.IW{1};
hold on
h=plot(pesos(:,1),pesos(:,2),'ob');
figure
net=newc([0 1; 0 1],clusters+5,0.01);
net.trainParam.epochs=200;
net=train(net,p);
pesos=net.IW{1};
hold onplot(p(1,:),p(2,:),'+r');
h=plot(pesos(:,1),pesos(:,2),'ob');
figure
net=newc([0 1; 0 1],clusters-5,0.01);
net.trainParam.epochs=200;
net=train(net,p);
pesos=net.IW{1};
hold on
plot(p(1,:),p(2,:),'+r');h=plot(pesos(:,1),pesos(:,2),'ob');

En la primera imagen se observa el estado final de los pesos de la red neuronal para el caso en el que existe la misma cantidad de neuronas que de clústers, sepuede apreciar que los pesos han quedado bien distribuidos entre los clústers. En la siguiente imagen vemos el estado final para el caso en el que hay más neuronas que clústers y es perceptibleel aglutinamiento de los pesos en varias regiones de la gráfica. Por ultimo tenemos el estado final para cuando hay menos neuronas que clústers, los pesos de las neuronas están bien distribuidos através de la gráfica pero han sido posicionados en lejos de los centros de los clústers para adoptar una posición en la que abarcan varios clústers.

Conclusiones
Es importante considerar almomento de diseñar una red neuronal con aprendizaje competitivo tener conocimiento acerca de la distribución de los datos para obtener los mejores resultados posibles por parte de la red neuronal.