Professional Documents
Culture Documents
FACULTAD INGENIERA
INTEGRANTES :
CICLO : VII
INTRODUCCIN
1
NDICE:
INTRODUCCIN..........................................................I
NDICE:...........................................................................II
1. REDES RECURRENTES....................................................1
2. DEFINICIN DE RED HOPFIELD.....................................4
3. ANTECEDENTES DE LA RED HOPFIELD..........................5
4. ARQUITECTURA DE LA RED HOPFIELD.........................6
5. FUNCIONAMIENTO DE LA RED HOPFIELD....................7
6. EJECUCIN DE LA RED HOPFIELD.................................8
7. ENTRENAMIENTO Y APRENDIZAJE DE LA RED
HOPFIELD.......................................................................8
8. IDENTIFICACIN DE SISTEMAS NO LINEALES...............8
9. VENTAJAS DE LA RED HOPFIELD...................................8
10. LIMITACIONES DE LA RED HOPFIELD.........................8
11. APLICACIONES DE LA RED HOPFIELD.........................8
12. EJEMPLO DE LA RED HOPFIELD..................................8
REFERENCIAS BIBLIOGRFICAS:.......................III
BIBLIOGRAFIA:........................................................III
LINKOGRAFIA:..........................................................III
2
RED HOPFIELD
1. REDES RECURRENTES
Las redes recurrentes (RR), tambin conocidas como redes realimentadas. Son
redes en la que se permiten auto-conexiones o lazos de realimentacin en las
neuronas y conexiones hacia atrs en las capas. Es decir estas redes presentan
uno o ms ciclos en el grafo definido por interconexiones de sus unidades de
procesamiento. La existencia de estos ciclos permite trabajar de forma innata
con secuencias temporales.
CARACTERSTICAS:
3
Dicho comportamiento temporal pueden entenderse de dos formas
diferentes, implica dos maneras distintas de entender el modo de
actuacin y aprendizaje dentro del grupo de redes recurrentes. Estos
son:
4
los casos ms notorios es el modelo recurrente de Red Hopfield que
aplica patrones estticos.
Han sido utilizadas para abordar diferentes tipos de problemas, se usan
en modelizacin neurobiolgica, tareas lingsticas, reconocimiento de
palabra y fonema, control de procesos dinmicos y entre otros.
La gran diferencia de las redes recurrentes entre las redes Feed-forward,
que las redes recurrentes permite la interconexin de neuronas en
cualquier sentido y que la inclusin de operadores de retardo. En donde
las capas de una red recurrente consiste en arreglos de neuronas que
reciben las salidas de las neuronas de capas anteriores, junto a las
salidas de la misma capa o de capas superiores, que denomina
realimentacin.
5
estado o nivel de activacin de ciertas neuronas de la Red en un pasado
reciente.
La red Hopfield es una red recurrente, es decir, existe realimentacin entre las
neuronas. De esta forma, al introducir un patrn de entrada, la informacin se
propaga hacia adelante y hacia atrs, producindose una dinmica. En algn
momento, la evolucin se detendr en algn estado estable. En otros casos, es
posible que la red no se detenga nunca.
6
La red Hopfield es una de las redes unicapas mas importantes y ha influido en el
desarrollo de multitud d redes posteriores.
Es una red auto-asociativa no lineal que fue desarrollada por Hopfield en 1982
basndose en los modelos de redes de McCulloch y Pitts y los smiles de los
campos magnticos con spin de Amit, Gutfreund, & Sompolinsky.
En la dcada de los 80s con el fin de estudiar procesos que involucran sistemas
gobernados por ecuaciones diferenciales no lineales surge la teora clsica de
control geomtrico basada en la geometra diferencial; simultneamente
renace el estudio de las Redes Neuronales debido al redescubrimiento del
algoritmo Backpropagation, este hecho sumado al fracaso de las metodologas
tradicionales aplicadas a la inteligencia artificial y a la disponibilidad de
herramientas computacionales de bajo costo permitieron el desarrollo las redes
neuronales recurrentes cuya principal aplicacin es el control e identificacin de
sistemas no lineales. Este desarrollo es posible debido a que las propiedades
matemticas de las redes recurrentes estn enmarcadas en las mismas
propiedades que fundamentan el control geomtrico, la primera red neuronal
recurrente de naturaleza dinmica fue propuesta por Hopfield en 1984 bajo el
contexto de las memorias asociativas.
7
John Joseph Hopfield (nacido 15 de
julio, 1933) es un americano
cientfico ms conocido por su
invencin de una asociacin de redes
neuronales en 1982. Ahora es ms
comnmente conocida como la Red
de Hopfield.
John Hopfield recibi su BA de
Swarthmore College, y un doctorado
en fsica de la Universidad de Cornell
en 1958. Pas dos aos en el grupo
de teora en los laboratorios Bell, y
posteriormente fue profesor en la
Universidad de California, Berkeley
(fsica), la Universidad de Princeton (fsica), California Institute of Technology
(Qumica y Biologa) y ahora de nuevo en Princeton, donde l es el Profesor
Howard A. Antes de la Biologa Molecular. Durante 35 aos, tambin sigui una
fuerte conexin con los laboratorios Bell.
Fue galardonado con la Medalla Dirac de la CIFT en 2002 por sus contribuciones
a la comprensin interdisciplinaria biologa como un proceso fsico, incluida la
correccin de pruebas en el proceso de sntesis y biomoleculares una
descripcin de la dinmica colectiva con atractores y computacin en redes
neuronales, y el Premio de Oliver Buckley la Sociedad Americana de Fsica para
el trabajo sobre las interacciones entre la luz y slidos. Es miembro de la
Academia Nacional de Ciencias, la Sociedad Filosfica Americana, y la Academia
Americana de las Artes y las Ciencias. Fue el Presidente de la Sociedad
Americana de Fsica en 2006.
En la Mquina de Boltzmann, generalizacin de la red de Hopfield que incluye
unidades ocultas, la operacin de actualizacin se basa en un concepto de
termodinmica estadstica conocido como "simulated annealing". La red de
Hopfield, la mquina de Boltzmann y un derivado conocido como la mquina
del teorema de campo medio se han utilizado en aplicaciones de segmentacin
y restauracin de imgenes y optimizacin combinacional.
8
La red de Hopfield es una red
monocapa, esto es, de una sola
capa. Aunque tambin se puede
mostrar como una red bicapa de dos
capas, la primera capa sera una
capa de sensores y la segunda capa
ser la capa donde se realiza el
procesamiento.
En la versin bicapa la manera de
interconexionar ambas capas es unir
la primera capa a la segunda
linealmente, esto es cada neurona
con su respectiva, y despus unir todas las neuronas con todas en la
misma capa.
La red de Hopfield toma valores bipolares esto es, {-1,1}, sin embargo se
pueden usar tambin valores binarios {0,1}. Por tanto, la funcin de
activacin de cada neurona de la red es de tipo escaln:
9
Las entradas son aplicadas a la red, sta a travs de un ciclo produce una
sucesin de estados, hasta que converge a una solucin estable, la cual
ocurre cuando las salidas de los diferentes PES no cambian.
Entrenamiento:
El entrenamiento de una red de Hopfield consiste en reducir la cantidad de
iteraciones de los estados que la red debe "recordar".
Esto convierte a la red en un sistema de memoria direccionable, es decir, la
red "recordar" un estado si se le da solo parte de dicho estado.
Esto la hace til para recuperar una entrada distorsionada usando un estado
de la red obtenido durante el entrenamiento y que es ms similar al estado
obtenido con la entrada actual.
Esto se llama memoria asociativa, ya que recupera la memoria sobre la base
de la similitud.
Aprendizaje:
10
El mecanismo de aprendizaje utilizado es de tipo OFF LINE, por lo que existe
una etapa de aprendizaje y otra de funcionamiento de la red.
Tambin utiliza un aprendizaje no supervisado de tipo hebbiano, de tal forma
que el peso de una conexin entre una neurona i y otra j se obtiene
mediante el producto de los componentes i-simo y j-simo del vector que
representa la informacin o patrn que debe almacenar.
Utiliza una notacin matricial, para representar los pesos de la red se puede
utilizar una matriz de dimensin NxN. Esta matriz es simtrica y con la
diagonal con valores nuls.
Tambin tenemos M entradas que la red debe aprender, expresadas
igualmente en forma matricial, E1, E2, .., EN.
Utilizando la notacin anterior, el aprendizaje consistira en la creacin de la
matriz de pesos W a partir de los M vectores de entrada que se ensean a la
red.
11
12
13
14
15
REFERENCIAS BIBLIOGRFICAS:
BIBLIOGRAFIA:
LINKOGRAFIA:
REDES RECURRENTES:
http://catarina.udlap.mx/u_dl_a/tales/documentos/lem/oropeza_c_ca/capitulo
3.pdf Visitado: 15 de Julio del 2017.
http://s3.amazonaws.com/academia.edu.documents/31487022/libro_ocw_libr
o_de_redes.pdf?
AWSAccessKeyId=AKIAIWOWYYGZ2Y53UL3A&Expires=1500233035&Signature=
XIKj1gfELynWq7UBVRPlRf8mpo4%3D&response-content-disposition=inline%3B
%20filename%3Dredes.pdf Visitado: 15 de Julio del 2017.
http://eva.evannai.inf.uc3m.es/et/docencia/doctorado/cib/documentacion/NN
Recurrentes.pdf Visitado: 15 de Julio del 2017. Grupo de Computacin
Evolutiva y Redes Neuronales. Redes de Neuronas Recurrentes.
Universidad Carlos III de Madrid.
http://medicinaycomplejidad.org/pdf/redes/Recurrentes.pdf Visitado: 15 de
Julio del 2017. Universidad Tecnolgica de Pereira.
RED HOPFIELD:
http://www.redes-neuronales.com.es/tutorial-redes-neuronales/red-de-
hopfield.htm Visitado: 15 de Julio del 2017. Neuronal Networks
Framework.
http://pedrobeltrancanessa-
biblioteca.weebly.com/uploads/1/2/4/0/12405072/red_neuronal_modelo_de_h
opfield.pdf Visitado: 15 de Julio del 2017. Rivera de Len, Michel. Red
Neuronal Modelo de Hopfield.
16
https://es.slideshare.net/mentelibre/redes-neuronales-de-hopfield Visitado:
15 de Julio del 2017. ESCOM (21 de Septiembre del 2009). Redes
Neuronales de Hopfield.
http://thales.cica.es/rd/Recursos/rd98/TecInfo/07/capitulo5.html Visitado: 15
de Julio del 2017.
http://www.varpa.org/~mgpenedo/cursos/scx/Tema7/nodo7-1.html Visitado:
15 de Julio del 2017. Pinedo Gonzlez, M.
17