Introduccion a las Redes de Funciones de Base Radial Tomado de Tai-Wen Yue http://aimm02.cse.ttu.edu.tw
Contenido Modelo de un aproximador de funciones La redes de funciones de base radial Las redes RBF para aproximar funciones
Introduccion a las Redes de Funciones de Base Radial Modelo de un aproximador de funciones
Aproximacion de una funcion Desconocida f Aproximadora ˆ f
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), 359-366.
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), 246-257. Park, J. and Sandberg, I. W. (1993). "Approximation and Radial-Basis-Function Networks," Neural Computation, 5(2), 305-316.
El Modelo Lineal Pesos Funciones base fijas
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
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
Ejemplo de modelos lineales ¿Son estas bases ortogonales? Polinomial Series de Fourier
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
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
Introduccion a las Redes de Funciones de Base Radial La redes de funciones de base radial
Funciones de base radial Tres parametros para una funcion radial: i(x)= (||x xi||) xi Centro Medida de distancia Forma r = ||x xi||
Funciones radiales Tipicas Gausiana Multicuadratica Multicuadratica inversa
Funcion base Gausiana (=0.5,1.0,1.5)
Multicuadratica inversa
Basis {i: i =1,2,…} is `near’ orthogonal. RBF mas general + + +
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
Topologia de la RBF Como clasificador x1 x2 xn y1 ym Unidades de salida Clases Unidades ocultas Subclases entradas Vector de caracteristicas
Introduccion a las Redes de Funciones de Base Radial Las redes RBF para aproximar funciones
Datos de entrenamiento La idea y Funcion desconocida a aproximar Datos de entrenamiento x
La idea y x Funcion desconocida a aproximar Datos de entrenamiento Funciones base (Kernels)
Funciones base (Kernels) La idea y Funcion aprendida x Funciones base (Kernels)
Funciones base (Kernels) La idea Muestra no aprendida y Funcion aprendida x Funciones base (Kernels)
La idea Muestra no aprendida y Funcion aprendida x
Redes RBF como Aproximadoras universales Conjunto de entrenamiento x1 x2 xn w1 w2 wm x = objetivo for all k
Aprendizaje del vector de pesos optimo Conjunto de entrenamiento x1 x2 xn x = objetivo for all k w1 w2 wm
Regularizacion Conjunto de entrenamiento Si no se necesita regularizacion objetivo for all k
Aprendizaje del vector de pesos optimo Minimizar
Aprendizaje del vector de pesos optimo Definir
Aprendizaje del vector de pesos optimo Definir
Aprendizaje del vector de pesos optimo
Aprendizaje del vector de pesos optimo Matriz de diseño Matriz de variancia
Conjunto de entrenamiento Resumen
Reconocimiento Diapositivas tomadas de Tai-Wen Yue “Artificial Neural Networks” course slides Tatung University. Taipei, Taiwan. 5th june 2006