Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada porNieves Gallego Agüero Modificado hace 9 años
1
Introduccion a las Redes de Funciones de Base Radial
Tomado de Tai-Wen Yue
2
Contenido Modelo de un aproximador de funciones
La redes de funciones de base radial Las redes RBF para aproximar funciones
3
Introduccion a las Redes de Funciones de Base Radial
Modelo de un aproximador de funciones
4
Aproximacion de una funcion
Desconocida f Aproximadora ˆ f
5
Las redes neuronales como aproximadoras universales
Las redes feed-forward con una sola capa oculta de neuronas sigmoidales son capaces de aproximar uniformemente cualquier funcion continua multivariable, con cualquier grado de precision. Hornik, K., Stinchcombe, M., and White, H. (1989). "Multilayer Feedforward Networks are Universal Approximators," Neural Networks, 2(5),
6
Las redes neuronales como aproximadoras universales
Tambien se demuestra que las redes RBF (Radial Basis Function) son aproximadores universales. Park, J. and Sandberg, I. W. (1991). "Universal Approximation Using Radial-Basis-Function Networks," Neural Computation, 3(2), Park, J. and Sandberg, I. W. (1993). "Approximation and Radial-Basis-Function Networks," Neural Computation, 5(2),
7
El Modelo Lineal Pesos Funciones base fijas
8
Salida pesada linealmente
El modelo lineal y 1 2 m x1 x2 xn w1 w2 wm x = Salida pesada linealmente Unidades de salida Descomposicion Extracion de caract. Transformacion Unidades ocultas Entradas Vector de caracteristicas
9
Salida pesada linealmente
El Modelo Lineal ¿Ejemplo de algunas bases? y Salida pesada linealmente Unidades de salida w1 w2 wm Descomposicion Extracion de caract. Transformacion Unidades ocultas 1 2 m Entradas Vector de caracteristicas x = x1 x2 xn
10
Ejemplo de modelos lineales
¿Son estas bases ortogonales? Polinomial Series de Fourier
11
Perceptron de una sola capa como aproximador universal
y 1 2 m x1 x2 xn w1 w2 wm x = Con un numero suficiente de unidades sigmoidales, puede construirse un aproximador universal. Unidades ocultas
12
Red de funciones de base radial como aproximador universal
y 1 2 m x1 x2 xn w1 w2 wm x = Con un numero suficiente de funciones de base radial, puede construirse un aproximador universal. Unidades ocultas
13
Introduccion a las Redes de Funciones de Base Radial
La redes de funciones de base radial
14
Funciones de base radial
Tres parametros para una funcion radial: i(x)= (||x xi||) xi Centro Medida de distancia Forma r = ||x xi||
15
Funciones radiales Tipicas
Gausiana Multicuadratica Multicuadratica inversa
16
Funcion base Gausiana (=0.5,1.0,1.5)
17
Multicuadratica inversa
18
Basis {i: i =1,2,…} is `near’ orthogonal.
RBF mas general + + +
19
Topologia de la RBF x1 x2 xn y1 ym Como un aproximador de funciones
Unidades de salida Interpolacion Unidades ocultas Proyeccion entradas Vector de caracteristicas
20
Topologia de la RBF Como clasificador x1 x2 xn y1 ym
Unidades de salida Clases Unidades ocultas Subclases entradas Vector de caracteristicas
21
Introduccion a las Redes de Funciones de Base Radial
Las redes RBF para aproximar funciones
22
Datos de entrenamiento
La idea y Funcion desconocida a aproximar Datos de entrenamiento x
23
La idea y x Funcion desconocida a aproximar Datos de entrenamiento
Funciones base (Kernels)
24
Funciones base (Kernels)
La idea y Funcion aprendida x Funciones base (Kernels)
25
Funciones base (Kernels)
La idea Muestra no aprendida y Funcion aprendida x Funciones base (Kernels)
26
La idea Muestra no aprendida y Funcion aprendida x
27
Redes RBF como Aproximadoras universales
Conjunto de entrenamiento x1 x2 xn w1 w2 wm x = objetivo for all k
28
Aprendizaje del vector de pesos optimo
Conjunto de entrenamiento x1 x2 xn x = objetivo for all k w1 w2 wm
29
Regularizacion Conjunto de entrenamiento
Si no se necesita regularizacion objetivo for all k
30
Aprendizaje del vector de pesos optimo
Minimizar
31
Aprendizaje del vector de pesos optimo
Definir
32
Aprendizaje del vector de pesos optimo
Definir
33
Aprendizaje del vector de pesos optimo
34
Aprendizaje del vector de pesos optimo
Matriz de diseño Matriz de variancia
35
Conjunto de entrenamiento
Resumen
36
Reconocimiento Diapositivas tomadas de Tai-Wen Yue
“Artificial Neural Networks” course slides Tatung University. Taipei, Taiwan. 5th june 2006
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.