Universidad de Cuenca. Llanes Snchez Ronnie David.

Mtodo Kohonen

METODO KOHONEN
Llanes Snchez Ronnie David ronniellanes@hotmail.com Universidad de Cuenca B. ResumenEl siguiente documento hace referencia al mtodo en redes neuronales de Kohonen, con la simulacin del mtodo en el software Java Netbeans, utilizando el algoritmo de red neuronal artificial siendo un mapa autoorganizado de caractersticas, el cual entrenada usando aprendizaje no supervisado para producir una representacin discreta del espacio de entrada de las muestras entrenadas, siguiendo las caractersticas de este mtodo para el desarrollo en la simulacin. ndice de Trminos Kohonen, Netbeans, Mapa Autoorganizado, No supervisado. I. INTRODUCCIN El mtodo de Kohonen pertenece a la categora de las redes competitivas o mapas de auto organizacin, por lo que su aprendizaje no supervisado es de tipo competitivo. Poseen dos capas en su arquitectura que son la capa de entrada y la capa de salida, tambin posee una capa de conexiones, adems de sus funciones de activacin lineales y flujo de informacin unidireccional ya que son redes en cascada. La parte fundamental de este mtodo es el de clasificar los patrones de entrada en grupos de caractersticas similares, de manera que cada grupo activar 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. II. A. Caractersticas MTODO KOHONEN 4. Funcionamiento y Entrenamiento

Su procedimiento se basa en el clculo de distancias eucldeas sobre los patrones de entrada, donde si se tiene patrones de entrada N-dimensionales se procede a: 1. Dar valores aleatorios a los pesos de las conexiones, que es normalizar los pesos de las conexiones incidentes de cada unidad de salida sobre la unidad: dividir cada conexin por la raz cuadrada de la suma de los cuadrados de las conexiones de cada unidad. Normalizar igualmente los datos de entrada Aplicar un patrn de entrada. Calcular alguna medida de similitud/disimilitud entre las entradas y los pesos de las conexiones, como puede ser mediante la distancia eucldea. La unidad de salida con los pesos ms parecidos al patrn de entrada es declarada ganadora. El vector de pesos de la unidad ganadora, se convierte en el centro de un grupo de vectores cercanos a l, en concreto, a menos de cierta distancia D. Modificar los pesos de los vectores de pesos "cercanos" a una distancia menor. Repetir los pasos 2 a 5 con todos los patrones de entrada.

2. 3.

5. 6.

Kohonen recomienda empezar con un valor de a cercano a 1 y reducirlo gradualmente hasta 0.1. La distancia puede empezar valiendo la mxima distancia existente entre los pesos de las conexiones al principio y acabar siendo tan pequeo que no quede ninguna unidad en el vecindario de la unidad ganadora. En ese momento solo se entrenar una unidad, que al final tendr su vector de pesos igual al vector de entrada. La precisin de la clasificacin de los patrones de entrada aumenta con el nmero de ciclos de aprendizaje. Kohonen recomienda una cantidad de ciclos no inferior a 500 veces el nmero de neuronas de salida para obtener buenos resultados. C. Aplicacin

Una de las cualidades de este mtodo es la incorporacin a la regla de aprendizaje de cierto grado de sensibilidad con respecto al vecindario, haciendo que las neuronas que no aprenden desaparezca, aumentando as su capacidad de extraer o mapear caractersticas topolgicas de los datos. La red mapea el espacio de entrada hacia un espacio de salida con cierto orden topolgico, Kohonen propone un mtodo para que este orden se conserve al entrenar la red, la clave est en reducir el tamao del vecindario de la unidad ganadora en cada interaccin.

Una vez entrenada, podemos usar a la red para clasificar patrones de entrada similares en el espacio n-dimensional. Una clase o grupo de patrones similares tiende a controlar una neurona especfica, que representar el centro de una esfera ndimensional. Esa neurona resultar la ms activada frente a los patrones ms parecidos a su vector de pesos.

Universidad de Cuenca. Llanes Snchez Ronnie David. Mtodo Kohonen Despus del aprendizaje, la clasificacin consiste en presentar una entrada y seleccionar la unidad ms activada, la ganadora, mediante la funcin de Distancia utilizada, se dice que es ganadora a aquella en la distancia es ms cercana al patrn de entrada. Adems, el vector de pesos nos servir para reconstruir el patrn de entrada. D. Ventajas del Mtodo Kohonen Entrenamiento no supervisado. No precisa pares de entrada/salida como otros mtodos de redes artificiales, tan solo patrones de entrada. Auto organiza de forma autnoma para adaptarse lo mejor posible a los datos utilizados en el entrenamiento. Limitaciones del Mtodo Kohonen Solo suministran informacin cerca de la zona del espacio de entrada pertenece un cierto patrn. Es preciso interpretar esta informacin. El proceso de interpretacin necesita datos para los que se conoce su clasificacin. Simulacin: III. CONCLUSIONES

El rendimiento de la red depender de las caractersticas del mtodo a utilizarse, en donde si tomamos ms cuadriculas en su resolucin se observa que se tiene ms precisin al momento de reconocer la letra escogida. Como se aprecia el mtodo de Kohonen es ms efectivo que los mtodos estudiados con anterioridad en la parte del reconocimiento de la letra, ya que no genera muchos errores como los mtodos anteriores colocando una cantidad de cuadriculado no tan grande. IV. REFERENCIAS

http://neuroph.sourceforge.net/

E. -

F.

En la figura 1 muestra la interfaz grfica del programa realizado:

Figura1: Interfaz Grafica

En donde debemos de ingresar la letra a calcular, como se indica en la figura 2:

Figura 2: entrenamiento de una letra