1. Red de Hamming

3. Características

6. Arquitectura

7. ARQUITECTURA

10. Capa oculta Red para el calculo de la distancia de Hamming

14. Red de Hamming

15. Algoritmo de Aprendizaje

16. La segunda capa de las redes de Hamming, es la llamada capa de competencia, por que cada neurona se excita e inhibe a las demás neuronas . Para simplificar esto definiremos una función de transferencia que haga el trabajo de la capa competitiva. a= compet (n) Algoritmo

17. Esta trabaja encontrando el índice i * de la neurona con la entrada mas grande en la red y mandando la salida de esta a 1. Todas las demás salidas serán 0. La capa competitiva es mostrada de la sig. Forma:

18. Capa 1 (Correlación) vectores prototipo para reconocimiento : Primera capa de la matriz de pesos y umbrales La respuesta de la primera capa es: El prototipo mas cercano al vector de entrada produce la respuesta mas grande.

19. Capa 2 (Competición) La neurona con la condición inicial más grande ganará la competencia. La segunda capa es inicializada con la salida de la primera capa.

20. Capa Competitiva

21. Aprendizaje Competitivo En la red competitiva, la neurona ganadora tiene una salida de 1, y las otra tienen salida 0. Regla Instar Regla de Kohonen

22. Representación Gráfica O bien Regla de Kohonen

23. Ejemplo

24. Después de Cuatro Iteraciones

25. Típica Convergencia (Clustering) Antes del entrenamiento Después del entrenamiento Pesos Vectores de entrada

29. Estabilidad Si los vectores de entrada no quedan bien agrupados por un cluster, entonces para velocidades de aprendizaje grandes la presentación de cada vector de entrada puede modificar la configuración de tal forma que el sistema experimentará una evolución continua.

30. Estabilidad 1 w (0) 2 w (0) p 1 p 3 p 2 p 5 p 6 p 7 p 4 p 8 1 w (8) 2 w (8) p 1 p 3 p 2 p 5 p 6 p 7 p 4 p 8

33. Neuronas Muertas Neuronas con pesos iniciales lejos de cualquier vector de entrada podrían nunca ganar Neurona Muerta Solución: Agregar un umbral negativo a cada neurona, e incrementar el valor del umbral a la neurona ganadora. Esto hará mas difícil ganar a una neurona, si esta gana frecuentemente. A esto se le llama “conciencia.”

35. Aplicaciones

36. Ejercicios

37. Ejercicio 1 Entrene una red competitiva con los siguientes parametros: A) Calcular los pesos resultantes después del entrenamiento

38. Ejercicio 2 Calcular los pesos resultantes después del entrenamiento de la capa competitiva con una razón de aprendizaje  de 0.5.

44. Código en Matlab/NNT

52. Ejemplo 2 clear;echo on;clc;nntwarn off; P= [ -0.1961 0.1961 0.9806 0.9806 -0.5812 -0.8137; 0.9806 0.9806 0.1961 -0.1961 -0.8137 -0.5812]; [W]= initc(P,3) [W]= trainc(W,P,[2 100 0.5]) a= simuc(P,W) echo off

53. Dudas ???

54. Hasta la próxima !!!