1. 1.2.4 CUANTIZACIN DEL VECTOR DEAPRENDIZAJE .
INTRODUCCIN
2. Que es LVQ?
Es un mtodo para entrenamiento de capas competitivas en una
manera supervisada.
3. Cual es su ventaja?
Una capa competitiva aprende automticamente a clasificar los
vectores de entrada.
Aprende a clasificar vectores de entrada en clases objetivo
escogidas por un usuario.
4. ...
Las clases que las capas competitivas encuentran son
dependientes solamente de las distancias que existen entre los
vectores de entrada
5. Arquitectura
Consiste en dos capas :
La primera capa es una capa competitiva que aprende a
clasificar los vectores de entrada de la misma forma que las capas
competitivas.
La segunda capa transforma las clases de la capa competitiva en
clasificaciones objetivo definidas por el usuario.
6. ...
Las primeras son conocidas como subclases .
Las segundas son conocidas como clases objetivo.
7. ...
AMBAS CAPAS (COMPETITIVA Y LINEAL) TIENEN UNA NEURONA POR
CLASE.
Entonces la capa competitiva puede aprender de s1 subclases y
la lineal puede formar s2 clases objetivo con la restriccin de que
s1 debe ser menor que s2.
8. Funciones de Matlab.
initlvqpara inicializar
simulvqpara simular
trainlvqpara entrenar la red
plotvecpara graficar los vectores de entrada.
9. Inicializacin.
[w1,w2 ] = initlvq(p,s1,t)
10. Simulacin.
a= simullvq(p,w1,w2)
11. Regla de aprendizaje.
Se deriva de la regla de Kohonen. Cuando se aplica, la neurona
competitiva cuyo vector de peso forma el ms cercano patrn, pone un
1 a su salida. Despus es actualizada, moviendo el vector de peso
acercandolo al vector de entrada.
12.
La regla de Kohonen es utilizada SOLO para actualizar el peso
de la i-sima neurona competitiva si esa neurona objetivo es 1.
El peso de la neurona ganadora se mueve hacia el vector de
entrada si esa neurona forma una subclase de la clase actual
objetivo.
13.
Si el objetivo de la neurona ganadora es cero ( es decir la
neurona forma una subclase distinta a la clase objetivo actual ) la
regla de Kohonen es aplicada con un cambio de signo alejando a la
neurona del vector de peso actual.
14.
El resultado final es que las neuronas competitivas se mueven
hacia vectores de entrada si pertenecen a sus clases y se alejan si
no es as. Las neuronas competitivas que forman la misma clase
compiten para formar subclases.
dw1=learnlvq(w1,p,a1,t1,lr)
15. ENTRENAMIENTO DE LVQ
Por medio del entrenamiento, la red LVQ obtiene los pesos de
las capas de neuronas con que cuenta: la competitiva y la
lineal.
En MATLAB el entrenamiento de la red LVQ se realiza por medio
de la funcin.
trainlvq()
Esta funcin realiza aplicaciones de la funcin learnlvq para
entrenar a la red.
16. ENTRENAMIENTO DE LVQ
El funcionamiento de la red LVQ se basa en la aplicacin
sucesiva de vectores de entrada en orden aleatorio, y el uso de la
regla de aprendizaje, adems de la actualizacin de pesos, ya que
learnlvq solo regresa las diferenciasdWen los pesos para
actualizarse.
17. ENTRENAMIENTO DE LVQ
La sintaxis de la funcin trainlvq es la siguiente:
[W1,W2] = trainlvq(W1,W2,P,T,tp);
donde:
W1 es el peso de la capa competitiva
W2 es el peso de la capa lineal
Pes el vector de entradas
18. ENTRENAMIENTO DE LVQ
T es el vector meta.
tpson los parmetros de entrenamiento, y seconforman de los
siguientes subparmetros :
disp_freq= es la frecuencia con la que se despliegan las
actualizaciones
max_cycle = nmero mximo de ciclos para entrenamiento
lr =es la tasa de aprendizaje
19. ENTRENAMIENTO LVQ
En caso de que en la aplicacin de la funcin de entrenamiento
los valores de los parmetros sean nulos o NaN, se utilizan los que
tiene por default :
frecuencia de despliegue = 25
mximo nmero de ciclos = 100
tasa de aprendizaje = 0.01
* En un momento dado, solo una neurona de salida tiene valor de
1.0, #neuronas lineales = # de clases objetivo.
20. 1.2.4 CUANTIZACIN DEL VECTOR DEAPRENDIZAJE PARTE 2 21.
ARQUITECTURA DE LA LVQ. La entrada de red no es calculada mediante
el producto punto de los vectoresprototipos con la entrada. En vez
de esto, la entrada de la red es la distancia negativa entre los
vectores prototipos y la entrada. 22. Subclases Para la red LVQ, la
neurona ganadora en la primera capa indica lasubclase a la cual el
vector de entrada pertenece. Posiblemente existanvarias neuronas
diferentes (subclases) las cuales hacen cada clase. La segunda capa
de la redLVQcombina las subclasesen unasola clase. Las columnas deW
2 representan subclases, y las filasrepresentan clases. La matrizW
2 tiene un1 en cada columna, con los otros elementos iguales a
cero. La filaen la cual el1 ocurreindica a cual clase pertenece la
subclase apropiada. w k i 2 1 = subclasei es una parte de laclase k
23. Ejemplo Subclases 1, 3 y 4 pertenecen a la clase 1. Subclase 2
pertenece a la clase 2. Subclases 5 y 6 pertenece a la clase 3. Una
red competitiva de una sola capa puede crear regiones de
clasificacin convexas. La segunda capa de la redLVQpuede combinar
las regiones convexas para crearcategoras ms complejas. 24.
Aprendizaje LVQ Si el patrn de entrada se clasifica
correctamente,entonces el peso ganador se mover hacia el vector de
entrada de acuerdo a la regla de aprendizaje de Kohonen. Si el
patrn de entrada se clasificaincorrectamente, entonces el peso
ganadorse alejar del vector de entrada. El aprendizaje LVQcombina
el aprendizaje competitivo con el aprendizaje supervisado. Se
requiere un conjunto de ejemplos deentrenamiento para un
comportamiento correcto de la red. 25. Ejemplo p 2 1 0 = t 2 0 1 =
p 3 1 1 = t 3 1 0 = 26. PrimeraIteracin a 1 c o m p e t 0.25 0.75 T
0 1 T 0.75 0.75 T 0 1 T 1.00 0.25 T 0 1 T 0.50 0.25 T 0 1 T c o m p
e t 0.354 0.791 1.25 0.901 1 0 0 0 = = = a 1 c o m p e t n 1 c o m
p e t w 1 1 p 1 w 1 2 p 1 w 1 3 p 1 w 1 4 p 1 = = 27. Segunda capa
Esta es la clase correcta, Por lo tanto el vector de pesos se mover
hacia el vector de entrada. 28. Representacin: 29. Regiones de
Decisin Finales 30. Practica3 Caractersticas de los MapasAuto -
organizativosyla red LVQ 31. Mtodos LVQ-2.1 y LVQ-3
Otras versiones propuestas del aprendizaje LVQ son los llamados
mtodos LVQ-2.1 y LVQ-3. La principal diferencia respecto a LVQ-1 es
que modifican ms de un prototipo de referencia en cada paso de
aprendizaje.
Sin embargo, requieren ms parmetros que especificar.
32. RedLVQ 2 Si la neurona ganadora en la capa oculta clasifica
incorrectamente la entrada actual, se moverel vector de peso
alejndose del vector de entrada. Sin embargo, tambin se ajustaran
los pesos de las neuronasms cercanas al vector de entrada que lo
clasificaran apropiadamente. Los pesos para esta segunda neurona
deberan moverse hacia el vector de entrada. 33. RedLVQ 2
Cuando la red clasifica correctamente un vector de entrada, los
pesos de solamente una neurona se movern hacia el vector de
entrada. Sin embargo, si el vector de entrada se clasifica
incorrectamente, los pesos de las dos neuronas son actualizados, un
vector de pesose mover alejndose del vector de entrada, y el otro
se mover hacia el vector de entrada. El algoritmo resultante se
conocecomo LVQ .
