Teoría de Resonancia Adaptativa en Arquitecturas ART1: Plasticidad y Estabilidad - Prof. P, Apuntes de Idioma Alemán

¡Descarga Teoría de Resonancia Adaptativa en Arquitecturas ART1: Plasticidad y Estabilidad - Prof. P y más Apuntes en PDF de Idioma Alemán solo en Docsity! Arquitectura ART1 (resonancia adaptativa) BARRIENTOS LÓPEZ LUIS JAVIER Introducción El hecho que condujo a la concepción de las redes ART fue lo que se conoce como el dilema de la estabilidad y plasticidad del aprendizaje. Este dilema surge a partir de dos ideas:  Una red neuronal debe poder aprender nuevos patrones, es decir, debe tener cierta plasticidad de aprendizaje.  Una red neuronal debe poder recordar los patrones ya aprendidos, es decir, ser estable aún cuando se le introduzcan datos que no sea capaz de reconocer. Resonancia adaptativa La teoría de resonancia adaptativa se basa en el hecho de que la información de alguna de las categorías almacenadas en la red debe “resonar” si se presenta una información similar en la entrada. Si es este el caso, la red reconocerá la información y adaptará su modelo para que se parezca mas al patrón de entrada. De lo contrario, la red creará una nueva categoría tomando como modelo el patrón de entrada presentado. Tipos de redes ART Hay dos grandes ramas de redes ART: las ART1 que trabajan con vectores de información binaria y las redes ART2, que procesan información analógica. Sin embargo con el desarrollo de las redes neuronales, de la computación y de las nuevas aplicaciones han surgido varios subgrupos de redes ART: ART-2ª : Es una versión más rápida del algoritmo de redes ART2. ART-3 : Extensión de red ART que incorpora transmisores químicos para controlar el proceso de búsqueda de categorías dentro de la red. ARTMAP : Es una versión supervisada de ART que puede aprender mapas de patrones binarios. Fuzzy ART : Síntesis de lógica difusa y redes ART. Fuzzy ARTMAP : Es una red Fuzzy ART supervisada Arquitectura ART 1 compuesta por una capa de entrada con N neuronas y una de salida con M neuronas. Entre ambas se presentan conexiones feedback y feedforward. Las neuronas de la capa de salida se encuentran interconectadas y presentan conexiones autorrecurrentes. Conexiones laterales en la capa de salida (W= -e). -  < (1/M) M) La capa de salida con conexiones autorrecurrentes (W=1). Componentes Una memoria de corto plazo (STM) para evaluar patrones de entrada. Una memoria de largo plazo (LTM) para almacenar categorías. Un subsistema de atención para centrarse en rasgos importantes de los patrones de entrada. Uno subsistema de orientación para impedir que la LTM aprenda patrones sin importancia. Aprendizaje Aprendizaje lento: Ocurre cuando una información de entrada es asociada a una de las categorías existentes. Aprendizaje rápido: Se da cuando se establece una nueva categoría. Limitaciones de la red ART 1 Es muy sensible al ruido o la distorsión Ineficiencia de almacenamiento 2*N para representar cada categoría de N bits. Trabaja solo con entradas binarias.