RED KOHONEN
INTRODUCCIÓN
Existen evidencias que demuestran que en el
cerebro existen 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 capas bidimensionales. Por ejemplo, en el
sistema visual se han detectado mapas del espacio visual en zonas de córtex
(capa externa del cerebro). También en el sistema auditivo se detecta
organización según la frecuencia a la que cada neurona alcanza la mayor
respuesta.
Aunque en gran medida esta organización
neuronal está predeterminada genéticamente, es probable que de ella se origine
mediante el aprendizaje. Esto sugiere, por tanto, que el cerebro podría poseer
la capacidad inherente de formar mapas topológicos de las informaciones
recibidas del exterior. De hecho, esta teoría podría explicar su poder de
operar con elementos semánticos: algunas áreas del cerebro simplemente podrían
crear y ordenar neuronas especializadas o grupos con características de alto
nivel y sus combinaciones. Se trataría, en definitiva, de construir mapas
espaciales para atributos y características.
HISTORIA
Teuvo Kohonen presentó en 1982 un sistema con un comportamiento
semejante a la organización de cerebro humano se trataba de un modelo de red
neuronal con capacidad para formar mapas de características de manera similar a
como ocurre en el cerebro.
El objetivo de Kohonen era demostrar que en un estímulo externo
(información de entrada) por sí solo, suponiendo una estructura propia y una
descripción funcional del comportamiento de la red, era suficiente para forzar
la formación de mapas.
Este modelo tiene dos variantes, denominadas LVQ (Learning Vector
Quantization) y TPM (Topology-Preserving Map) o SOM (Self-Organizating Map).
Ambas se basan en el principio de formación de mapas topológicos para
establecer características comunes entre las informaciones (vectores) de
entrada a la red, aunque difieren en las dimensiones de éstos, siendo de una
sola dimensión en el caso de LVQ, y bidimensional, e incluso
tridimensional, en la red TPM.
CARACTERÍSTICAS
Pertenece a la categoría de las redes competitivas o mapas de auto organización,
es decir, aprendizaje no supervisado. Poseen una arquitectura de dos capas
(entrada-salida) (una sola capa de conexiones), funciones de activación
lineales y flujo de información unidireccional (son redes en cascada).
Las unidades de entrada reciben datos continuos normalizados, se
normalizan así mismo los pesos de las conexiones con la capa de salida. Tras el
aprendizaje de la red, cada patrón de entrada activará una única unidad de
salida.
El objetivo de este tipo de redes es clasificar los patrones de entrada
en grupos de características similares, de manera que cada grupo activará
siempre la(s) misma(s) salida(s). Cada grupo de entradas queda representado en
los pesos de las conexiones de la unidad de salida triunfante. La unidad de
salida ganadora para cada grupo de entradas no se conoce previamente, es
necesario averiguarlo después de entrenar a la red.
ARQUITECTURA
En la arquitectura de la versión original (LVQ) del modelo Kohonen no
existen conexiones hacia atrás. Se trata de una de las N neuronas
entradas y M de salidas. Cada una de las N neuronas de
entrada se conecta a las M de salida a través de conexiones hacia
adelante (feedfoward).
Entre las neuronas de la capa de salida, puede decirse que existen
conexiones laterales de inhibición (peso negativo) implícitas, pues aunque no
estén conectadas, cada una de las neuronas va a tener cierta influencia sobre
sus vecinas. El valor que se asigne a los pesos de las conexiones hacia
adelante entre las capas de entrada y salida (Wji) durante el proceso de
aprendizaje de la red va a depender precisamente de esta interacción lateral.
La influencia que una neurona ejerce sobre las demás es función de la
distancia entre ellas, siendo muy pequeñas cuando están muy alejadas. Es
frecuente que dicha influencia tenga la forma de un sombrero mexicano.
Por otra parte, la versión del modelo denominado TPM (Topology
Preserving Map) trata de establecer una correspondencia entre los datos de
entrada y un espacio bidimensional de salida, creando mapas topológicos de dos
dimensiones, de tal forma que ante datos de entrada con características comunes
se deben activar neuronas situadas en próximas zonas de la capa de salida.
FUNCIONAMIENTO
Lo que se pretende es encontrar el dato aprendido más parecido al de
entrada para en consecuencia averiguar que neurona se activara y sobre todo en qué
zona del espacio bidimensional de salida se encuentra, lo que hace la red en
definitiva es una tarea de clasificación ya que la neurona de salida activa la
clase a la que pertenece dicha entrada, además como ante otra entrada parecida
se activa la misma neurona de salida u otra cercana, debido a la semejanzas
entre las clases se garantiza que la neuronas topológicamente próximas sean
sensibles a entradas físicamente similares, por tanto esta red es especialmente
útil en establecer relaciones entre conjuntos de datos.
ALGORITMO DE APRENDIZAJE
1.
Inicialización de los pesos sinápticos Wijk.
2.
Elección de un patrón de entre el conjunto de patrón de entrenamiento.
3.
Para cada neurona del mapa,
calcular la distancia Euclidea entre el patrón de entrada X y el vector de
pesos sinápticos.
Distancia Euclidea entre el vector sináptico
y la entrada.
4.
Evaluar la neurona ganadora es decir aquella cuya distancia es la menor
de todas.
5.
Actualizar los pesos sinápticos de la neurona ganadora y de sus vecinas
según la regla de actualización de pesos.
RITMO DE APRENDIZAJE
Determina la variación en los pesos de las
neuronas además es una función decreciente con el tiempo y se actualiza con una
función lineal.
FUNCIÓN DE VECINDAD
Define en cada iteración t si una neurona i
pertenece o no a la vecindad de la ganadora g, esta función determina que
neurona son vecina de la ganadora.
6.
Si se llegó al número de iteración establecido, el proceso de
aprendizaje finaliza, caso contrario regresa al paso 2.
CONCLUSIÓN
La Red Kohonen es un mapa auto organizado y
este es una red Neuronal con un entrenamiento no supervisado. La diferencia y
características de la red Kohonen son la competición entre neuronas la
definición de vecindades que permiten la ordenación topológicas, existe una
relación cercana con los métodos de cuantificación vectorial. Ha sido
aplicación con éxito a un gran número de problemas tales como reconocimiento de
voz, reconocimiento de texto, reconocimiento de imágenes, en general
reconocimiento de patrones, robótica, optimización vectorial, clasificación de
proteínas y muchos otros más pero su principal desventaja es la lentitud del
entrenamiento.
BIBLIOGRAFÍA
H David y C Jorge. 2010, KOHONEN. (En línea). EC.
Consultado, 12 de JULIO. 2014. Formato PDF. Disponible en: http://es.davidhorat.com/publicaciones/descarga/kohonen.pdf
A
Luna. 2008. Mapa auto organizativo de Kohonen. (En línea). EC. Consultado, 12 de
JULIO. 2014. Formato PDF. Disponible en: http://geneura.ugr.es/~jmerelo/tutoriales/bioinfo/Kohonen.pdf
TREC
internet. 2010. Red Kohonen. (En línea). EC. Consultado, 17 de JULIO. 2014.
Formato HTML. Disponible en: http://electronica.com.mx/neural/informacion/kohonen.html
