Redes neuronales con entrenamiento no supervisado

Redes neuronales con entrenamiento no supervisado

1. Reseña histórica de este tipo de red
Existen evidencias que demuestran que en el cerebro existen neuronas que se
organizan en muchas zonas, de forma que las informaciones captadas del entorno
a través de los órganos sensoriales se representan internamente en forma de
capas bidimensionales.
Aunque en gran medida esta organizaciónneuronal está predeterminada
genéticamente, es probable que de ella se origine mediante el aprendizaje. Esto
sugiere, por tanto, que el cerebro podría poseer la capacidad inherente de formar
mapas topológicos de las informaciones recibidas del exterior. De hecho, esta
teoría podría explicar su poder de operar con elementos semánticos: algunas
areas del cerebro simplemente podrían crear y ordenarneuronas especializadas o
grupos con caracteristicas de alto nivel y sus combinaciones. Se trataría, en
definitiva, de construir mapas espaciales para atributos y características.
A partir de estas ideas, Teuvo Kohonen presentó en 1982 un sistema con un
comportamiento semejante. Se trataba de un modelo de red neuronal con
capacidad para formar mapas de características de manera similar a comoocurre
en el cerebro.
El objetivo de Kohonen era demostrar que en un estímulo externo (información de
entrada) por sí solo, suponiendo una estructura propia y una descripción funcional
del comportamiento de la red, era suficiente para forzar la formación de mapas.
Este modelo tiene dos variantes, denominadas LVQ (Learning Vector
Quantization) y TPM (Topology-Preserving Map) o SOM(Self-Organizating Map).
Ambas se basan en el principio de formación de mapas topológicos para
establecer características comunes entre las informaciones (vectores) de entrada
a la red, aunque difieren en las dimensiones de éstos, siendo de una sola
dimensión en el caso de LVQ, y bidimensional, e incluso tridimensional, en la red
TPM.

2. ¿Qué son los mapas auto-organizados (SOM)?
Un mapaauto-organizado (SOM por sus siglas en inglés) es un tipo de red
neuronal artificial, que es entrenada usando aprendizaje no supervisado para
producir una representación discreta del espacio de las muestras de entrada,
llamado mapa. Los mapas auto-organizados son diferentes de otras redes
neurales artificiales, en el sentido que estos usan una función de vecindad para
preservar las propiedadestopológicas del espacio de entrada.
Los SOMs son útiles para visualizar vistas de baja dimensión de datos de alta
dimensión, semejante a un escalado multidimensional.
Al igual que la mayoría de las redes neuronales artificiales, los SOMs operan en
dos modos: entrenamiento y mapeo. En el entrenamiento construye el mapa
usando ejemplos entrenantes, mientras el mapeo clasifica una nueva entrada.
Adiferencia de las otras redes, en los SOMs las neuronas que representan
patrones parecidos aparecen juntas en el espacio salida, este espacio puede ser
unidimensional, una línea, bidimensional, un plano o N-dimensional. Es el propio
diseñador de la red el que establece el espacio de salida que tendrá la red. Este
tipo de redes son de dos capas: la capa de entrada de sensores y la capa de
salida querealiza el cálculo.
Cada neurona de la capa de salida debe reflejar las coordenadas que tiene en el
espacio que el diseñador de la red decida. Para que las neuronas puedan ser
comparadas con la posición de otras neuronas de la red, se le asocia una regla de
vecindad. El modo de unir las capas es todas con todas, total, cada neurona de la
capa entrada está unida con todas las neuronas de lacapa de salida.
El objetivo del aprendizaje en los mapas auto-organizados es provocar que
diferentes partes de la red respondan similarmente a ciertos patrones de la
entrada.
Los pesos de las neuronas son inicializados con un pequeño valor aleatorio o
muestreados uniformemente de un subespacio generado por los dos
mayores vectores propios. Con la segunda alternativa el aprendizaje es mucho...