Grupos próximos

Click here to load reader

  • date post

    13-Jul-2015
  • Category

    Documents

  • view

    1.105
  • download

    1

Embed Size (px)

Transcript of Grupos próximos

  • Grupos prximos a un entornoRedes competitivas y autoorganizadas

  • Mtodo de Grupos PrximosGenera una ecuacin no lineal de la formak: Mltiples variables de salidaM: Nmero de centroidesVariables de entrada

  • Mtodo de Grupos Prximos (II)Seleccin del parmetro (ancho de la campana de Gauss)

  • Mtodo de Grupos Prximos(III)Diferencia con mtodos anteriores de agrupamiento:El nmero de centroides se genera automticamenteNuevo grupoGrupo prximo Grupos de datos identificados por reglasEs necesario definir un radio:Menor: ms reglas borrosas

  • Mtodo de Grupos Prximos(IV)El nuevo grupo est dentro del radio definido sobre el grupo ms prximo ( r < r ), no se incorpora nueva regla al mecanismo de inferencia Grupo prximo Grupos de datos identificados por reglas

  • Mtodo de Grupos Prximos(V)Los pasos fundamentales son los siguientes:

    [Paso 1].- Se coloca el primer conjunto de datos como un grupo, y la regla que lo identifica.[Paso 2].- Se determina (cuando exista un conjunto de reglas), el grupo de variables que constituyen la parte precedente de las reglas ms prximo al nuevo patrn.[Paso 3].- Si el nuevo grupo est fuera de un rango de proximidad definido por un radio r, se incorpora una nueva regla; [Paso 4].- Se realiza la inferencia aplicando.[Paso 5].- Se repite el algoritmo a partir del [Paso 2].

  • Mtodo de Grupos Prximos(VI)% Calculo menor distancia entre los cluster y donde est [c_dist,kl]=min(x_l(1:M)-x0_l(1:M));if (c_dist > r)% Es necesario incorporar nuevo clusterM=M+1; x0_l(M)=x(i);% Se dejan los restantes como estnAkl(1:M)=Akl(1:M);Bkl(1:M)=Bkl(1:M);% Se incorpora nuevo datoAkl(M)=y(i);Bkl(M)=1;else% Se incorpora el dato al cluster respectivo.

    end % De seleccinPrograma completo en pgina WEB

  • Mtodo de Grupos Prximos(VII)Fuzzy Logic Toolbox:

    [C] = SUBCLUST(X, RADII)

    Siendo C los centroides, X la matriz de datos de entrada RADII (definido entre 0 y 1) es el radio findcluster

  • Ejemplo% Matriz de datosx=[0 0 0 1 1 1 2 3 4 5 5 5 6 6 6]';y=[1 2 3 1.5 2 2.5 2 2 2 1.5 2 2.5 1 2 3]';x1=x+7; y1=y.*2; x2=x1+7; y2=y.*(-2);x=[x; x1; x2]; y=[y; y1; y2];X=[x,y];

    % Se aplica el algoritmo[v]=subclust(X,.7);% Dibujafigureplot(X(:,1),X(:,2),'p');hold on;plot(v(:,1),v(:,2),'s');

  • Ejemplo (I)Para radio=0.7 devuelve dos centroides

  • Ejemplo (II)Para radio=0.35 devuelve cuatro centroides

  • Redes competitivasNmero de salidas: Representa el nmero de centroides en que la entrada estar dividida

  • Redes competitivas (II)Clculo de la salidas i (Norma eucldea)Ley de adaptacin(regla de aprendizaje de Kohonen)donde i* es el mayor valor devuelto por las salidas

  • Redes competitivas (III)EjemplonntoolEntradas: 2Salidas: 5

  • Redes competitivas (IV)Red competitivaresultanteVector de entradasque sern entrenados

  • Redes competitivas (IV)y se exporta la red resultante del entrenamiento (Clasifica) al espacio de trabajo de Matlab Resultado

    >> pesos = Clasifica.IW{1}pesos = 0.3590 0.7371 0.1307 0.4837 0.0333 0.2200 0.9015 0.5183 0.7791 0.7088

  • Redes autoorganizadasSimilar a las redes de aprendizaje competitivo Se adaptan tambin las neuronas que pertenecen a una vecindad de la neurona ganadora

  • Redes autoorganizadas (II)Regla de aprendizaje de KohonenSlo la vecindadAprendizaje gradual

  • Redes autoorganizadas (III)>>clasificador = newsom(z,[2 3],'hextop','linkdist',0.8,150,0.1,2);