RBF Radial basis functions Hertz krogh palmer 1
RBF Radial basis functions Hertz, krogh, palmer 1
RBF Aprendizaje competitivo simple Input neto Unidad “ganadora” Regla de aprendizaje competitivo 2
RBF Problema de las unidades muertas (sin actualizaciones): Inicialización en la muestra. Actualizar los vencedores y los perdedores Preservación topológica (kohonen) Ponderar el numero de veces que ganan los vectores (conciencia) Añdir ruido a los patrones. 3
RBF Convergencia: el algoritmo competitivo simple tiende a minimizar la distorsion de la cuantización vectorial de la muestra Función de energía Descenso por el gradiente Existen muchos mínimos locales de la función de energía La aplicación batch del descenso de gradiente es el algoritmo de k-means 4
RBF Mapas de kohonen Tanto la velocidad de aprendizaje como el radio de vecindad van hacia cero muy suavemente 5
RBF 6
RBF Redes de contrapropagación La capa oculta es de unidades competitivas. La capa de salida es de unidades lineales Entrenamiento lineal de la capa output 7
RBF Redes debase radial Las unidades ocultas tienen función de activación gausiana normalizada Las unidades de salida son unidades lineales, con entrenamiento: Que minimiza 8
RBF Métodos mixtos: LVQ El problema es de clasificación supervisada. Los vectores input tienen una clase asociada. Los vectores peso también tienen una clase asociada. El entrenamiento depende de la clase del vector input, es repelente o atractivo dependiendo de que sean distintos o coincidan las clases 9
RBF 10
- Slides: 10