Академический Документы
Профессиональный Документы
Культура Документы
1. ASPECTOS GENERALES
1.1 LA NEURONA.
Emil Heinrich Du Bois-Reymond, en 1849 con la ayuda de un galvanmetro (medidor
de tensiones) detect las imperceptibles descargas elctricas provocadas al contraer
los msculos del brazo.
En el sistema visual se han detectado mapas del espacio visual en zonas del
crtex (capa externa del cerebro)
En el sistema auditivo se detecta una organizacin segn la frecuencia a la que
cada neurona alcanza mayor repuesta
4. METODOLOGIA
4.1) CANGREJOS
Descripcin de la data
Se tiene una data de 200 ejemplares de cangrejo, donde cada ejemplar muestra 8
caracteristicas que son: cdigo de especie (azul o naranja), cdigo de sexo, anchura
frontal del lbulo, anchura trasera, longitud del caparazn, anchura del caparazn y
profundidad Los cangrejos son de dos posibles sexos y dos especies:
Masculino Blue B
Femenino blue b
Masculino naranja O
Femenino naranja o
A partir de esta matriz de datos, se trata de comprobar si un modelo SOM es capaz de
agrupar en el mapa los dos tipos de cangrejo diferencindolo de sexo masculino y
femenino, proporcionndole nicamente los datos con cuatro de las 8 caractersticas
citadas. Por tanto, las categoras deberan ser creadas de forma no supervisada por la
propia red a travs de las correlaciones descubiertas entre los datos de entrada,
puesto que no se proporciona la categora de pertenencia del ejemplar.
Entonces la nueva data ser conformada por el logaritmo de las cuatro caractersticas
que son:
lcrabs <- log(crabs[, 4:8])
En donde estas cuatro caractersticas son:
FL=tamao de lobulo frontal
RW=anchura trasera
CL=longitud del caparazn
CW=ancho del caparazn
BD=profundidad del cuerpo
Se usa la topologa de tipo hexagonal puesto que en una red SOM con malla
hexagonal logra mejores resultados para clasificacin.
Interpretacin
Se determina las neuronas de salida, en una malla bidimensional de tipo hexagonal,
que representan ejemplares con caractersticas agrupadas, como se establece 48
neuronas, estas van mezclando las 4 caractersticas y de acuerdo a esto agrupar los
200 cangrejos, en los cuatro grupos.
4.2) VINOS:
Descripcin de la data
Se estudia el conjunto de datos wine que contiene observaciones sobre 177 vinos
italianos procedentes de tres cosecheros (Nebbiolo, Barbera y Grignolino) y 13
variables, que contienen las cantidades de varios componentes que se encuentran en
cada uno de los tres tipos de vinos , as como algunas variables espectroscpicos, por
ejemplo: concentraciones de alcohol, flavonoides, cido mlico, entre otras.
Con esta matriz de datos se hace el aprendizaje del modelo para agrupar los 177
vinos italianos segn sus trece caractersticas en torno al cosechero del que es
proveniente. Por tanto, las categoras deberan ser creadas de forma no supervisada
por la propia red a travs de las correlaciones descubiertas entre los datos de entrada,
puesto que no se proporciona la categora de pertenencia del ejemplar. Se utiliza como
criterio de similitud, la distancia eucldea en la etapa de entrenamiento.
Y utilizando el algoritmo del mapa auto-organizado de Kohonen, se determina las
neuronas de salida que representan ejemplares con caractersticas agrupadas, como
se establece 20 neuronas, estas van mezclando las 13 caractersticas y de acuerdo a
esto agrupar los 177 vinos de acuerdo a los cosecheros.
Interpretacin:
El objeto de utilizar el algoritmo auto-organizado de Kohonen es para clasificar en este
caso los 177 vinos con respecto a patrones de los datos de entrada (caractersticas de
los vinos) y clasificarlos en grupos segn estos patrones. Y con esto la dimensin
inicial se reduce y por lo mismo permite una mejor presentacin visual de las
relaciones entre los vinos y sus caractersticas de acuerdo a la cosecha de
procedencia.
5. CONCLUSIONES
6. REFERENCIAS BIBLIOGRFICAS.
6.1. Redes neuronales, Autor: Samuel Tiburcio Parra, Universidad Politecnica de
Queretaro
6.2. Redes de Neuronas Artificiales, Autor: Isasi, Galvan
6.3. Neural Networks and Intellect: Using Model-Based Concepts, Autor: Leonid I.
Perlovsky, Universidad de Oxford
ANEXOS
RED SOM
plot(crabs.som)
Matriz de prueba
plot(bins)
Representacion de la red
# Graficando
par(mfrow=c(2,2))
plot(kohmap, type="codes", main=c("Distribuci\{o}n de variables",
"Clases de C\{o}digos"))
plot(kohmap, type="counts")
plot(kohmap, type="mapping",labels=wine.classes, col=wine.classes+1,
main="Mapa de clases")
Anexo 04: Grficos del ejemplo de los vinos