Fecha: 15
de Julio 2015
Tema: Redes
de Neuronas de Base Radial
INTRODUCCIÓN
En si el contenido acerca de las redes neuronales es muy
amplio, las
Redes Neuronales de Base Radial facilitan un análisis prudente que permite su aplicación
práctica. Se caracterizan por ser redes multicapa, y sus conexiones
son hacia adelante. Estas redes poseen tres capas de neuronas: capa de entrada,
capa oculta y capa de salida.
La
capa de entrada: Es la encargada de transmitir las respectivas señales de
entrada a las neuronas ocultas.
La
capa Oculta: Posee una única capa oculta en las cuales las neuronas ocultas
tienen carácter local. En cambio las neuronas de salida ejecutan una
combinación lineal de las aceleraciones de las neuronas ocultas.
Estas redes proporcionan un entrenamiento más eficiente a
comparación de retro propagación.
En el
transcurso de este documento se ira conociendo más acerca de esta red, como es
su arquitectura, Aprendizaje y aplicaciones en las que son empleadas.
MARCO
TEÓRICO
REDES DE NEURONAS DE BASE RADIAL
Cada
neurona de la capa oculta se especializa en una determinada región del espacio
de entradas. La relación entre la entrada y la salida es una suma de funciones
no lineales y locales.
CARACTERÍSTICAS
Las funciones de base radial están constituidas
cada una de ellas por carácter Local, ya que estas son funciones que logran
alcanzar un nivel próximo al máximo de su recorrido cuando el patrón de entrada
X(n) está próximo al centro de la neurona. Cuando el patrón se va alejando del
centro, el valor de la función va tendiendo al valor mínimo de su recorrido.
Las salidas de las redes de neuronas de base
radial en si son una combinación lineal de gausianas, las mismas que se activan
para una determinada parte del espacio, que están definidos por los patrones de
entrada.
ESTRUCTURA DE UNA RED
Para una
Red Neuronal de Funciones de Base Radial (RBF), la idea es centrar funciones de
base radial alrededor de los datos a aproximar, una de las funciones más utilizadas
es la de tipo Gausiana
FUNCIONES DE BASE RADIAL
Son funciones en la cual su salida depende de
la distancia a un punto denominado centro.
En general, una red RBF tiene un mejor
desempeño con un mayor volumen de datos de entrenamiento.
La construcción de una red RBF requiere de una
mayor cantidad de neuronas en los nodos ocultos que en las redes que usan
backpropagation.
Características:
Simétricas respecto de x=0
Estas se especifican con al menos dos
parámetros, el centro y achura.
Centro: El centro es un punto donde la función posee un extremo.
Anchura: Es la magnitud de la variación de la función según se aleja del centro.
ARQUITECTURA RNBR
Las RNBR tienen una
construcción rígida de tres capas:
Imagen 1.Arquitectura de RNBR
CAPA DE ENTRADA
En la primera capa se tiene como entradas el
error, la derivada del error y una constante, reciben las señales del exterior,
no realizan ningún preprocesado.
CAPA DE OCULTA
Esta capa de gran dimensión y en la que las
unidades (neuronas) son las funciones de
base radial, reciben las señales de la capa de entrada y realizan una transformación local y no lineal sobre dichas
señales (Diferencia con el MLP).
CAPA DE SALIDA
Se realiza una combinación lineal de las activaciones de las
neuronas de la capa oculta y actúa como salida de la red, es decir esta tiene la responsabilidad en la red de la
activación de patrones aplicados en la capa de entrada.
APRENDIZAJE DE ENTRENAMIENTO
El entrenamiento que realiza este tipo de redes, determina
todas las medidas de la red.
Parámetros de la capa de salida: Pesos, W
Parámetros de la capa Oculta: Centros, C y desviaciones
asociadas d.
La determinación de los parámetros de la capa oculta, es
ejecutada mediante la optimización en el espacio de entradas, ya que cada neurona
va a representar una zona diferente en dicho espacio y en la capa de salida, la
optimización se realiza en base a las salidas que se desea obtener (salidas
deseadas), ya que en su globalidad, las redes de base radial se utilizan para
aproximar relaciones entre el conjunto de variables de entrada y salida que
definen el problema.
APRENDIZAJE HÍBRIDO
MÉTODO NO SUPERVISADO: La fase no supervisada es la determinación de
parámetros de la capa oculta.
Las
neuronas ocultas se determinan porque estas representan zonas desiguales del
espacio de entradas, puesto que los centros y desviaciones de estas deben de
calcularse con este objetivo, (hay que clasificar el espacio de entradas en
otras clases).
Determinación de
Centros
Para la determinación de centros se debe aplicar:
Algoritmo K-medias
Mapas de Kohonen
Determinación
de Desviaciones
Estos se
deben de calcular de manera que cada neurona de la capa oculta se active en una
región del espacio de entradas y de manera que el solapamiento de las zonas de
activación de una neurona sea lo más ligero posible, para que de esta manera se
pueda suavizar la inserción.
MÉTODO SUPERVISADA: Esta fase es la determinación de pesos en capa
de salida. En si es el más utilizado, se
basa en lo dicho en el apartado anterior sobre la separación de técnicas de
optimización, conserva las características locales de la red.
MÉTODO TOTALMENTE SUPERVISADO
El método
totalmente supervisado son todos los parámetros de las redes de neuronas de
base radial, es decir los centros, desviaciones y los pesos, se determinan de
forma supervisada con el objetivo de minimizar el error cuadrático medio.
Este método totalmente supervisado no conserva, en
principio, las propiedades o características locales de las RNBR.
GENERALIZACIÓN DE UNA RBF
Después
de entrenada una red RBF se mide su capacidad de generalizar antes nuevos
ejemplos de entrada. A este proceso se le conoce como Interpolación.
INCONVENIENTES
Esta red
presenta algunos inconvenientes como los siguientes:
En algunos
casos, es necesario un elevado número de neuronas en la capa oculta. Lo que
ocasiona la pérdida de generalización.
El número de neuronas
ocultas aumenta exponencialmente con la dimensión del espacio de entradas.
APLICACIONES
Las RBNR han sido aplicadas a un sinfín de problemas,
frecuentemente son utilizadas para resolver problemas de clasificación de
mapeo, no obstante son aplicadas también para:
Análisis de series temporales
Diagnósticos médicos.
Reconocimiento de
rostro
Sensores de olor
Procesamiento de
lenguaje
Visión y
procesamiento de imágenes
CONCLUSIONES
Las Redes Neuronales de Base Radial son prácticamente muy
fácil de efectuar y al mismo tiempo sobresalen con respecto a su
comportamiento.
Las Funciones de Base Radial (RBF), muestran una opción en el
procedimiento de las Redes Neuronales ya que admite ejecutar procedimientos
provechosos, en sí lo que hace está es establecer la distribución óptima de una
red neuronal en la que se especifica la aplicación.
No obstante
todavía queda por resolver el problema de la cantidad de neuronas, pero a
excepción de esto existen algunas instrucciones en las cuales emprenden esta
dificultad.
BIBLIOGRAFÍA
Colmenares, G.2004.
Función de Base Radial. (En Línea). Consultado el 15 de Julio 2015. Formato
PDF.Disponible en
http://www.webdelprofesor.ula.ve/economia/gcolmen/programa/redes_neuronales/capitulo4_funciones_bases_radiales.pdf
González,
M. Redes de Base Radial. Sistemas Conexionistas. (En Línea). Consultado el 15
de Julio 2015. Formato PDF.Disponible en
http://www.varpa.org/~mgpenedo/cursos/scx/archivospdf/Tema5-6.pdf
Poma,
F. 2009.Modelo de Redes Neuronales de base radial. Revista de Información,
Tecnología y Sociedad. (En Línea). Consultado el 15 de Julio 2015. Disponible
en http://www.revistasbolivianas.org.bo/scielo
Pérez, M; Valenciano,
P. 2007. Empleo de redes neuronales de base radial. Ciencia Ergo Sum, Vol.14, Nº1,
marzo-junio, 2007, pp.6-14.Universidad Autónoma del Estado de México. Disponible
en http://www.redalyc.org
Valls, J.2007. Redes de
Neuronas de Base Radial. (En Línea). Consultado el 15 de Julio 2015. Formato
PDF.Disponible en http://eva.evannai.inf.uc3m.es/et/docencia/rn-inf/documentacion/Tema4-RNBR.pdf
