Professional Documents
Culture Documents
(2.4.17)
(2.4.18)
(2.4.19)
(2.4.20)
positivo que - 2
= -3. Lo ideal es que la red tenga una asociación constante,
entre la visualización de la fruta y su respuesta, para que w0 sea mayor que
– b.
(2.4.24)
(2.4.25)
(2.4.26)
(2.4.27)
El resultado es que la red aprendió a asociar el vector de medidas de la
fruta con su respuesta. El vector de pesos de la red, se convierte en una
copia del vector de medidas de la fruta.
(2.4.28)
(2.4.29)
(2.4.30)
Red de Kohonen: Existen evidencias que demuestran que en el cerebro hay
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 mapas bidimensionales. Por ejemplo, en el sistema
visual se han detectado mapas del espacio visual en zonas del córtex (capa
externa del cerebro), también en el sistema auditivo se detecta una
organización según la frecuencia a la que cada neurona alcanza mayor
repuesta (organización tonotópica).
(2.5.1)
(2.5.3)
Como la regla Instar, la regla de Kohonen habilita a los pesos de una neurona
a aprender un vector de entrada y de esta forma resolver aplicaciones de
reconocimiento de patrones. A diferencia de la regla Instar, el aprendizaje
no es proporcional a la salida de la neurona ai(q), en lugar de ello el
aprendizaje ocurre cuando la neurona i sea miembro del conjunto X(q), si la
regla Instar es aplicada a una capa de neuronas cuya función de
transferencia solamente retorna valores de 0 o 1 (por ejemplo hardlim), la
regla de Kohonen es equivalente a la regla Instar.