Enciclopedia/Diccionario de Psicología y Neurociencias:

ıllı ART (RNA) wiki: info, libros pdf y vídeos

Detalles: Categoría: PSICOLOGIA (WIKINFO)

psicologia y neurociencias

ART (RNA)

El modelo ART solventa el problema de la estabilidad y plasticidad del aprendizaje a través de un mecanismo de realimentación entre las neuronas competitivas de la capa de salida.

Cuando a la red se le presenta un patrón de entrada este se hace retumbar con los prototipos de las categorías conocidas por la red, si el patrón entra en resonancia con alguna clase entonces es asociado a esta y el centro de cluster es apartado levemente para amoldarse mejor al nuevo patrón que le ha sido asignado. De lo contrario, si el patrón no entra en resonancia con ninguna clase, pueden ocurrir 2 cosas: si la red tiene una capa de salida estática va a entrar en saturación puesto que no puede crear una nueva clase para el patrón presentado mas tampoco puede asignarlo a una clase existente, si la red tiene una capa de salida activa se va a crear una nueva clase para dicho patrón, esto no afectará a las clases ya existentes.

En las redes ART existen 2 géneros de pesos, los llamados W, que son pesos feedforward (nutrición cara adelante) entre la capa de entrada y la capa de salida, y los llamados T, que son pesos retroalimentación (nutrición cara atrás ) entre la capa de salida y la capa de entrada.

Los pesos feedforward (W) son iguales que los pesos retroalimentación (T), solo que estos están normalizados:

W=T?T+?

Donde ? es un factor que toma por norma general el valor 0,5.

El funcionamiento de un modelo ART se divide en 4 fases:

Se inician los factores de la ARN y se establecen las señales de control.Se inician los pesos de la próxima manera:

Wij=11+N para conexiones cara adelante, siendo N el número de entradas a la ARN.Tij=1 para conexiones cara atrásMediante las señales de control (ganancia y reinicio) se controla el flujo de datos por medio de la ARN y se pasa a las diferentes fases.En la fase de reconocimiento se realiza una operación con los datos de entrada y los pesos W asociados a cada neurona de la capa de salida, el resultado de esta operación debe apuntar qué clase tiene mayor prioridad para poder ver si los datos de entrada entran en resonancia con ella. Por poner un ejemplo, se podría calcular la distancia euclídea entre los datos de entrada y los pesos W, la clase ganadora sería aquella cuyo W estuviera más cerca de los datos de entrada y por consiguiente sería la primera a la que se le procuraría asociar dicho patrón.La fórmula propuesta por sus creadoreses:Z=?i=1nxiWij para cada neurona de la capa de salidadonde xi corresponde a cada una de las neuronas de la capa de entrada. Los índices i van a ser para las neuronas de la capa de entrada y los subíndices j para las neuronas de la capa de salida.La selección de la neurona ganadora va a ser como la neurona que consiga el mayor valor, esto expresado en fórmula es:ZJ=maxDonde J corresponde al índice de la neurona ganadora en F2el vector generado en tal capa van a ser entonces un vector binario con un solo valor en 1 el que señala la neurona ganadora y dada por :yi={sij=J?1sij?J?0{\displaystyle y_=\left\El objetivo es conseguir una medida de semejanza entre el vector de entrada y el vector prototipo que brota de la capa de salida.El vector de entrada y el vector producido por los retroalimentación (T) de la neurona ganadora en la capa de salida son equiparados en la capa de entrada produciendo el vector X.El cálculo del vector X, se efectúa a través de :Sea I el vector de entrada.Xi=Ii?TijO sea, se aplica un AND entre la entrada y el vector de pesos cara atrás pertinentes a la neurona ganadora de la capa F2Si se cumple que la regla de "X" dividida entre la regla de la entrada es mayor o bien igual que p, entonces se puede finalizar que dicha entrada es parte de la categoría escogida y se debe proceder a ajustar los pesos tanto cara adelante como cara atrás:?X??I?>=pDe lo opuesto se manda una señal reinicio, a fin de que inhiba la neurona ganadora y proceda nuevamente la selección de una ganadora, excluyendo la neurona inhibida.De no representar la neurona ganadora la categoría del vector de entrada, esta neurona se desactiva y se comienza la busca por otras categorías que tenga la red. Se repiten entonces los pasos precedentes hasta el momento en que se halle una neurona ganadora que represente la categoría del vector de entrada.Si se repitiese el proceso hasta el momento en que no quedase ninguna neurona se llegaría a una situación de saturación de la red que podría solventarse ampliando el número de neuronas de la ARN de forma activa.

Diagrama de flujo de una red ART

Estructura básica de una red ART.

Un sistema ART básico es un modelo de aprendizaje no supervisado. Generalmente consta de un campo de comparación y un campo de reconocimiento que por su parte se compone de un factor de vigilancia y de un módulo de reinicialización. El factor de vigilancia tiene una repercusión notable en el sistema: un mayor valor del factor de vigilancia genera recuerdos muy detallados, al tiempo que valores más pequeños de tal factor generará recuerdos más generales.

El campo de comparación toma un vector de entrada (una matriz bidimensional de valores) y trasfiere su mejor coincidencia al campo de reconocimiento. Su mejor coincidencia va a estar en aquella neurona cuyo conjunto de pesos (vector de peso) se acerque más al vector de entrada. Cada neurona del campo de reconocimiento emite una señal negativa (proporcional a la calidad de coincidencia de dicha neurona con el vector de entrada) para cada una de las neuronas del campo de reconocimiento provocando una inhibición de su valor de salida.De esta forma el campo de reconocimiento exhibe una inhibición lateral, dejando que cada neurona en él represente una categoría en la que se clasifican los vectores de entrada. Una vez que el vector de entrada es clasificado, el módulo de reinicialización equipara la intensidad de la coincidencia encontrada por el campo de reconocimiento con el factor de vigilancia. Si el umbral de la vigilancia se cumple, se empieza el adiestramiento. En caso contrario, si el nivel de coincidencia no cumple con el factor de vigilancia, la neurona de reconocimiento disparada se inhibe hasta el momento en que un vector de entrada se aplique el nuevo.

El adiestramiento se empieza solo al final del procedimiento de busca, en el que las neuronas de reconocimiento son desactivadas una a una por la función de reinicio hasta el momento en que el factor de vigilancia se satisface con una coincidencia de reconocimiento. Si ninguna coincidencia encontrada por las neurona de reconocimiento supera el umbral de vigilancia una neurona no comprometida se ajusta a fin de que coincida con el vector de entrada.

Hay 2 métodos básicos de adiestrar una red neural ART: lento y veloz. En el procedimiento lento el grado de adiestramiento de los pesos de la neurona de reconocimiento cara el vector de entrada se calcula a valores continuos con ecuaciones diferenciales y en consecuencia depende del tiempo a lo largo del como el vector de entrada esté presente. Con el procedimiento veloz, se usan ecuaciones algebraicas para calcular el grado de ajustes de peso, utilizándose valores binarios. Aunque el aprendizaje veloz es eficiente y eficaz para determinadas labores, el procedimiento de aprendizaje lento es biológicamente posible y puede emplearse con redes en tiempo progresivo (esto es, cuando el vector de entrada cambia de forma continua).

ART 1 Es el tipo más fácil de red ART, solo admite entradas binarias.

Trabaja con un operador duro, el que torna posible las salidas binarias.

Aplicaciones: Reconocimiento de letras y figuras con patrones de colores en blanco y negro.

ART 2 Aumenta las capacidades de la red al aguantar esta valores de entrada continuos.

ART dos-A es una forma simplificada de ART-dos con un tiempo de ejecución drásticamente acelerado, y con resultados cualitativos que raras veces son inferioes a los conseguidos por una red ART-dos completa

ART 3se fundamenta en ART-dos a través de la simulación de toscos neurotransmisores y regulación de actividad sináptica a través de la integración de simulaciones de concentraciones de iones de sodio (Na +) y calcio (Ca2+) en las ecuaciones del sistema, lo que produce más realismo en la simulación de las condiciones fisiológicas en las que se disparan las neuronas biológicas.

ART difuso aplica la lógica difusa en el reconocimiento de patrones de ART, incrementando de este modo la generalización. Una opcional y realmente útil característica de ART difuso es el complemento de código, una forma de añadir la ausencia de elementos en las clasificaciones de patrones que sirve para prevenir la creación de categorías ineficientes y también superfluas.

Visión general de ARTMAP.

ARTMAP, asimismo conocido como ART Predictivo, combina de unidades de ART-1 o bien ART-dos levemente cambiadas formando una estructura de aprendizaje supervisado, donde la primera unidad tiene los datos de entrada y la segunda unidad toma la salida de datos adecuados, se emplea para permitir el mínimo ajuste del factor de vigilancia en la primera unidad con el objetivo de conseguir una clasificación adecuada.

Funcionamiento en adiestramiento de la red ARTMAP con 2 redes ART 1:

Se presentan 2 representaciones, una para la red ART a y otra para la red ART b, en todos y cada red, el vector de entrada, se multiplica por los pesos Ascendientes (cara delante) de la capa F1 ? F2, con el resultado se busca como neurona de la capa F2 tiene el valor más grande (ganador se lleva todo), cuando se escoge una neurona ganadora esta se multiplica por los pesos descendentes (cara atrás ) F2 ? F1, produciendo un vector prototipo, este vector prototipo se equipara a través de un AND lógico con el vector de entrada, del vector resultante se aúnan todos y cada uno de los valores que tenga un 1 y esto se divide entre el tamaño de la capa de entrada, con esto se calcula la semejanza entre el prototipo y la entrada. Si la semejanza es menor la vigilancia entonces se descarta el prototipo, se marca el vector de actividad de la capa F2 de manera que no se contemple la neurona en las próximas elecciones de la neurona ganadora. Esto se repite hasta localizar un patrón que cumpla con el factor de vigilancia. Si se verifican todas y cada una de las neuronas y no se halla una que cumpla con el factor de vigilancia, el vector de entrada se guarda en los pesos descendentes de una neurona libre de prototipos, y se devuelve como prototipo elegido.Si un prototipo cumple con el valor de vigilancia se activa la variable del campo de mapeo pertinente a la red en cuestión. En el campo de mapeo se verifica existe alguna neurona del campo de mapeo activa, si hay más de una desea decir que no se cumple la relación entre las 2 redes, por tanto se debe ajustar el factor de vigilancia, a fin de que ese prototipo no cumpla con la vigilancia, se reinicia la red ART a y se vuelve a hacer la busca de prototipos con el nuevo valor de vigilancia.Si se activa solo una neurona entonces desea decir que el prototipo es conveniente y por consiguiente se debe hacer ajuste de pesos en internet ART a. y se reinician las variables de activación del campo de mapeo con el objetivo de que la red quede capaz para proseguir con el adiestramiento.

Funcionamiento en producción de la red ARTMAP con 2 redes ART 1:

Se presenta una entrada a la capa F1 de la red Art a como el vector de entrada, se multiplica por los pesos Ascendientes de la capa F1 ? F2, con el resultado se busca como neurona de la capa F2 tiene el valor más grande (ganador se lleva todo), cuando se escoge una neurona ganadora esta se multiplica por los pesos descendentes F2 ? F1, produciendo un vector prototipo, este vector prototipo se equipara a través de un AND lógico con el vector de entrada, del vector resultante se aúnan todos y cada uno de los valores que tenga un 1 y esto se divide entre el tamaño de la capa de entrada, con esto se calcula la semejanza entre el prototipo y la entrada.Si la semejanza es menor la vigilancia entonces se descarta el prototipo, se marca el vector de actividad de la capa F2 de manera que no se contemple la neurona en las próximas elecciones de la neurona ganadora. Esto se repite hasta localizar un patrón que cumpla con el factor de vigilancia. Si no se halla la red plantea la primera neurona como la ganadora y se ignora el factor de vigilancia. Si se halla uno que cumpla, este se extiende al campo de mapeo, en el campo de mapeo se extiende cara la neurona pertinente en la capa F2 b(rememorar el campo de mapeo es 1 a 1 con la capa F2 b), los pesos descendentes de F2 b ? F1 b pasan a ser la entrada de la red Art b, la que se utiliza como salida del sistema.