Monografias.com > Uncategorized
Descargar Imprimir Comentar Ver trabajos relacionados

Redes neuronales artificiales II (página 2)




Enviado por Pablo Turmero



Partes: 1, 2

Monografias.com

Red Perceptron Multicapa (MLP)

Función acotada, monótona creciente y diferenciable.

Red de tipo feedforward.
Suficiente con dos capas.

Monografias.com

Algoritmo backpropagation I
Descripción:
Tras inicializar los pesos de forma aleatoria y con valores pequeños, seleccionamos el primer par de entrenamiento.
Calculamos la salida de la red
Calculamos la diferencia entre la salida real de la red y la salida deseada, con lo que obtenemos el vector de error

Ajustamos los pesos de la red de forma que se minimice el error
Repetimos los tres pasos anteriores para cada par de entrenamiento hasta que el error para todos los conjuntos de entrenamiento sea aceptable.

Descenso por la superficie del error
Cálculo de derivadas del error respecto de los pesos y de las bias.
Adelante
Atrás

Monografias.com

Algoritmo backpropagation II
Detalles:
SSE: E=SEp=S (ypk-opk)2
Dwij=-h ?E/ ?wij

Pasos:
Inicialización:
Construcción de la red.
Inicialización aleatoria de pesos y umbrales (-0.5, 0.5)
Criterio de terminación (número máximo de iteraciones,…).
Contador de iteraciones n=0.
Fase hacia delante:
Calcular la salida de la red para cada patrón de entrada.
Calcular el error total cometido (SSE)
Si la condición de terminación se satisface, parar
Fase hacia atrás:

Monografias.com

Algoritmo backpropagation III
Fase hacia atrás:
Incrementar el contador n=n+1.
Paca cada neurona de salida calcualr: dk=(ok-yk)f’(netk) donde netj=Siwijxi+bj
Para cada unidad oculta, calcular dj=f’(netj)Skdkwjk
Actualizar pesos: Dwij(n+1)=hdjoi+aDwij(n)
Volver a la fase hacia delante.

Inconvenientes del algoritmo backpropagation:
Tiempo de entrenamiento no acotado.
Dependiente de las condiciones iniciales:
Parálisis de la red.
Mínimos locales.

Monografias.com

Algoritmo Backpropagation IV
Underfitting.
Memorización o Sobreaprendizaje.
Caracterización de la red. ¿Cuantas capas, cuantas neuronas en cada capa,…?

Monografias.com

Redes Neuronales no supervisadas I
Autoorganizativas: durante el proceso de aprendizaje la red debe descubrir por si misma regularidades o categorías => la red debe autoorganizarse en función de las señales procedentes del entorno.
Mapa de Rasgos Autoorganizados, SOM (Kohonen, 80)
Características:
Red competitiva
Arquitectura unidireccional de dos capas:
Capa de entrada: m neuronas una por cada vector de entrada.
Capa segunda se realiza el procesamiento, formando el mapa de rasgos. Tiene nx X ny neuronas operando en paralelo.
Todas las neuronas de entrada están conectadas a las neuronas de la segunda capa, a través de los pesos wij

Monografias.com

Redes Neuronales No-Supervisadas II
Cada neurona (i,j) calcula la similitud entre el vector de entradas y su vector de pesos
Vence la neurona cuyo vector de pesos es más similar al vector de entrada.

Cada neurona sirva para detectar alguna característica del vector de entrada.
Función de vecindad: relación entre neuronas próximas en el mapa.

Monografias.com

RNA no supervisadas III
Aprendizaje:
Inicialización de los pesos wij
Presentación de las entradas x(t)
Cada neurona calcula, la similitud entre su vector de pesos wij y el vector de entrada x, usando la distancia Euclídea

Determinación de la neurona ganadora:
Actualización de los pesos de la neurona ganadora y sus vecinas

Las demás neuronas no actualizan su peso
Si se ha alcanzado el número de iteraciones parar, si no volver al paso 2.

Monografias.com

VENTAJAS
Ventajas de las RNA:

Aprendizaje adaptativo: lo necesario es aplicar un buen algoritmo y disponer de patrones (pares) de entrenamiento.
Auto-organización => conduce a la generalización
Tolerancia a fallos: las redes pueden aprender patrones que contienen ruido, distorsión o que están incompletos.
Operación en tiempo real: procesan gran cantidad de datos en poco tiempo.
Facilidad de inserción en tecnología ya existente.

Monografias.com

APLICACIONES
Detección de patrones.
Filtrado de señales
Segmentación de datos
Control
Identificación.

Monografias.com

SubRedes Neuronales en identificación de sistemas

Monografias.com

Identificación de sistemas
La identificación consiste en calcular un modelo del sistema en base a datos experimentales.

Pasos:
Seleccionar una clase de modelos (CARIMA, Box-Jenkis,…)
Obtener un conjunto de datos experimentales
Seleccionar un modelo de la clase elegida
Estimar los parámetros (método de Identificación: LS,RLS,IV,…)
Validación (exactitud, adecuación de uso)
Sistema
Entrada: u(t)
Salida: y(t)

Monografias.com

RNA que representan el tiempo
Representación del tiempo.
Tratamiento de señales.
Identificación de modelos dinámicos
Control de sistemas.
Redes dinámicas:
Respuesta a:
Las entradas actuales
La historia pasada del sistema.
Dotar de memoria a la red:
Introduciendo directamente en la red tanto la señal actual como los valores pasados.
Mediante conexiones recurrentes.

Monografias.com

Red PML con ventana temporal
Ventanas de datos pasadas de las entradas y de las salidas.
Ventajas:
Algoritmo simple es suficiente
No problemas de realimentación
Desventajas
Información útil debe “caber” en la ventana temporal
Muchas entradas ? Sobreparametrización

(Gp:) u(t)
(Gp:) u(t-1)
(Gp:) u(t-2)
(Gp:) …
(Gp:) u(t-m)
(Gp:) y(t-1)
(Gp:) y(t-2)
(Gp:) …
(Gp:) ym (t)

Monografias.com

Redes neuronales recurrentes
Redes neuronales parcialmente recurrentes:
Conexiones recurrentes con valores fijos
Algoritmo de aprendizaje “ve” una red perceptrón multicapa
Ejemplos:
Jordan
Elman

Redes neuronales recurrentes:
Todas las neuronas interconectadas
Computacionalmente costoso

Monografias.com

Estructuras neuronales para la identificación
Determinación o elección de la estructura del modelo.
¿Es necesario un modelo neuronal?
Nos basamos en modelos establecidos en el caso lineal
Diseño:
Variables que forman parte del regresor ?(t)
Función no-lineal g(·,·) desde el espacio de regresiones al espacio de salida ? NO en modelos lineales
y(t)=g(q,j(t))+e(t)
Estructura de caja negra: modelo de entrada- salida.
Elementos del regresor:
Entradas pasadas u(t-k)
Salidas pasadas medidas: y(t-k)
Salidas pasadas calculadas por el modelo: ÿu(t-k|q)
Residuos pasados calculados: eu(t-k)=y(t-k)-ÿu(t-k|q)

Monografias.com

Modelo NARX
Ventajas:
Puede aproximar cualquier sistema no-lineal arbitrariamente bien
No recurrente.
Desventajas:
Vector de regresión puede ser grande
No se modela el ruido

Monografias.com

Modelo NOE
Corresponde a una red recurrente, ya que parte de las entradas constituye la salida de la propia red.
Comprobación difícil para modelo de predicción estable
Entrenamiento laborioso por cálculo correcto de gradientes

Monografias.com

Validación
Validación: es el proceso de comprobación de la utilidad de modelo obtenido:
Si el modelo concuerda con los datos observados
Si servirá al propósito para el que fue creado
Si describe el sistema real

Enfoque neuronal:
Conjunto de datos de entrenamiento
Conjunto de datos de test.
Conjunto de datos de validación.
Enfoque basado en correlaciones:
Test de blancura de los residuos

Monografias.com

Ejemplo I

Transforma un producto A en otro B
Reacción química exotérmica
Se controla la temperatura mediante una camisa por la que circula un refrigerante

Salidas:
Ca Cb Tl Tr

Entradas:
Manipulables: Fl Fr
Perturbaciones medibles: Ca0 Tl0 Tr0

(Gp:) Camisa
(Gp:) Reactor
(Gp:) Fl, Ca0, Tl0
(Gp:) Fr, Tr0
(Gp:) Ca, Cb, Tl
(Gp:) Tr
(Gp:) A
(Gp:) B

Monografias.com

Ejemplo II
El periodo de muestreo es T = 0.2 horas
Las entradas han de ser tales que provoquen todas las salidas de interés

Monografias.com

Ejemplo III

Se normalizan los datos de entrada y salida
Se entrenan cuatro redes, cada una modela una salida
Se usa el algoritmo backpropagation
(Gp:) R.N.A. Elman
(Gp:) R.N.A. Elman
(Gp:) R.N.A. Elman
(Gp:) R.N.A. Elman
(Gp:) Ca
(Gp:) Cb
(Gp:) Tl
(Gp:) Tr
(Gp:) Fl
(Gp:) Fr
(Gp:) Ca0
(Gp:) Tl0
(Gp:) Tr0

Monografias.com

Ejemplo IV
Validación del modelo.
De forma neuronal: test son saltos en Fr

Monografias.com

Ejemplo V
Correlaciones: blancura de los residuos

Partes: 1, 2
 Página anterior Volver al principio del trabajoPágina siguiente 

Nota al lector: es posible que esta página no contenga todos los componentes del trabajo original (pies de página, avanzadas formulas matemáticas, esquemas o tablas complejas, etc.). Recuerde que para ver el trabajo en su versión original completa, puede descargarlo desde el menú superior.

Todos los documentos disponibles en este sitio expresan los puntos de vista de sus respectivos autores y no de Monografias.com. El objetivo de Monografias.com es poner el conocimiento a disposición de toda su comunidad. Queda bajo la responsabilidad de cada lector el eventual uso que se le de a esta información. Asimismo, es obligatoria la cita del autor del contenido y de Monografias.com como fuentes de información.

Categorias
Newsletter