Teoría de la Resonancia Adaptiva
Indice
ART2

ART1


Una red ART básicamente consta de dos capas entre las que se establecen conexiones hacia adelante y hacia atrás y dos tipos de señales de control.

OPERACIÓN

Se puede describir la acción de la red en términos de la actividad de cada capa para una serie de fases: Fase de Inicialización. Fase de Reconocimiento. Fase de Comparación. Fase de Búsqueda.

FASE DE INICIALIZACIÓN

La fase de inicialización consiste en inicializar los diferentes parámetros de la red y determinar como serán las señales control. Los pesos se inicializan siguiendo el siguiente criterio:

wji = 1/(1+N). N = nº entradas (conexiones hacia adelante). tij = 1 (conexiones hacia atrás).

Señales de Control

Las señales de control se utilizan para controlar el flujo de datos a través de la red y conmutar entre las diferentes fases:

Control de Ganancia: controla el flujo para la capa de entrada y conmuta entre dos estados: Entrada de Datos y Comparación. Esta señal toma valores binarios y dichos valores suelen depender de varias señales: Salidas de las Neuronas de la capa de Salida ponderadas por pesos (-N) y Vector de entrada ponderado por pesos (1).

Señal de Ganancia (SG) SG es uno siempre que se le presenta a la red un patrón de entrada válido. Si en la capa competitiva existe alguna neurona activa SG es forzado a 0

Control de Reset: Es el más simple de los dos. Controla el flujo de los datos para la capa de salida. Sirve para conmutar también entre dos estados: Reconocimiento y Búsqueda. Toma también valores binarios y dichos valores activan o desactivan los nodos en la capa de reconocimiento (capa de salida).

Lo mismo que en el caso anterior estos valores suelen depender de diferentes señales: Salidas de las neuronas,capa de entrada ponderadas por (-1) y Vector de entrada ponderado por * (parámetro de vigilancia). De tal manera la señal de Reset será de la siguiente forma:

La señal de reset tiene como misión desactivar la neurona ganadora en la capa de salida cuando un vector de entrada no es suficientemente similar al prototipo de una clase. Esta medida de similaridad depende del factor o parámetro de reset.

FASE DE RECONOCIMIENTO.

En la fase de reconocimiento un vector de entrada es presentado a la red, activando una neurona en la capa de salida. Las neuronas en la capa de entrada reciben 3 entradas: Vector de entrada, Salidas de la 2 capa y Control de ganancia. En esta fase la señal de ganancia es 1 ya que ninguna neurona de la capa de salida está activada. Las neuronas de la capa de entrada se activan utilizando la regla 2/3. Es decir si 2 o más entradas están activadas la neurona se activa produciendo un 1, en otro caso produce un 0. Para las neuronas de la capa de salida la operación que se realiza es la siguiente: Yj = 1 si *Wji*Xi es máximo. Yj = 0 en otro caso. Entradas Binarias (distancia mínima) (Operación AND).

FASE DE COMPARACION.

Dos vectores son presentados en la capa de entrada: vector de entrada y vector producido por la capa de salida (una neurona activada).

Al estar la señal de ganancia puesta a 0, la salida de la capa de entrada es un AND entre el vector de entrada y el vector producido por la capa de salida ponderado por los pesos feedback.

Test de Vigilancia

El resultado obtenido en la capa de entrada después de la fase de comparación es enviado al control de Reset. Simplemente significa una medida de similaridad entre el vector de entrada y el vector prototipo obtenido por la capa de salida.La comparación se hace valorando la siguiente relación de semejanza:

Al trabajar con valores binarios (0/1), el producto aritmético equivale al lógico (AND), y por tanto, lo que se representa es: el número de componentes binarios con valor 1 que coinciden entre el vector de entrada y el de salida. En el caso de que fuesen completamente iguales, este valor coincidiría con el denominador, y la relación de semejanza sería la unidad (representando el 100%). Si no coincidiesen en ningún bit, entonces sería 0 (representado el 0%).Una vez calculada la relación de semejanza entre ambas informaciones, se compara dicha relación con el parámetro de vigilancia þ, cuyo valor será fijado por el usuario en un rango de 0 a 1 y que influirá en el número de clases que establecerá la red, ya que cuando mayor sea su valor, se está pidiendo al sistema que discrimine con mayor precisión, de tal forma que si el valor asignado es 1 se estará indicando que a una clase sólo pueden pertenecer patrones que sean exactamente iguales. Si se cumple que Relación de Semejanza < þ, entonces la neurona vencedora j, en la capa de salida no representa la apropiada categoría a la que pertenece la información de entrada y es desestimada, se resetea o elimina del conjunto de posibles neuronas vencedoras, y se vuelve a presentar el patrón a la estructura. En el caso contrario se ha encontrado la categoría apropiada al vector de entrada y se deben actualizar los pesos para confirmar este hecho:

FASE DE BÚSQUEDA.

Si en un primer momento se ha determinado que la primera neurona ganadora no representa la categoría del vector de entrada, se debe empezar la búsqueda por diferentes categorías establecidas por la red. Al no representar la categoría del vector de entrada la señal de control de reset, desactiva dicha neurona ganadora. Esta acción tiene un doble efecto: por una parte fuerza su salida a 0 y la excluye para las sucesivas búsquedas y por otro lado la señal de control de ganancia es puesta a 1 (ninguna neurona de la capa de salida es ganadora). El vector de entrada es entonces de nuevo aplicado a la estructura repitiendose entonces los pasos previamente expuestos. En estas circunstancias podemos llegar a 2 situaciones completamente diferentes:

LIMITACIONES DE LA RED ART.

Aunque la red ART es una de los más potentes modelos con capacidad autoorganizativa, sin supervisión, existen algunas limitaciones importantes a tener en cuenta que dificultan la tarea de clasificación realizada por la red. Estas limitaciones se refieren:


M. González Penedo