Explicacion de la teoria de resonancia

1. REDES NEURONALES ARTIFICIALES (RNA) –
MODELOS DE REDES NEURONALES:
TEORÍA DE RESONANCIA ADAPTATIVA (ART)
MAESTRIA EN INFORMATICA EDUCATIVA
REDES NEURONALES APLICADAS AL PROCESO
EDUCATIVO

2. TEORÍA DE RESONANCIA ADAPTATIVA (ART)
Es un modelo de red neuronal artificial que
basa su funcionamiento en la forma en cómo el
cerebro procesa información. Esta arquitectura
puede ser supervisada y no supervisada. Dicha
red se basa en el dilema plasticidad-estabilidad
del aprendizaje y se implementa en tres
arquitecturas, la ART1 para entradas binarias,
ART2 para valores continuos y escalas de grises
y ARTMAP que combina ART1 y ART2 formando
una estructura de aprendizaje supervisado.

3. TEORÍA DE RESONANCIA ADAPTATIVA (ART)
Esta red neuronal se basa en el principio de hacer
resonar la información de entrada con las clases que
reconoce la red. Si entra en resonancia con una clase,
la red considera que pertenece a dicha clase y se
realiza una adaptación que incluye algunas
características de los nuevos datos a la categoría
existente. Cuando no resuena con ninguno, la red se
encarga de crear una nueva clase con el dato de
entrada como ejemplo de la misma.

4. TEORÍA DE RESONANCIA ADAPTATIVA (ART)
Grossberg y Carpenter desarrollaron la teoría de
resonancia adaptiva en respuesta al “dilema de la
estabilidad y plasticidad del aprendizaje, en el que se
plantean las siguientes cuestiones:
1. Plasticidad del aprendizaje, permite a una red neuronal
aprender nuevos patrones.
2. Estabilidad del aprendizaje, permite a una red neuronal
retener los patrones aprendidos.
Conseguir que un modelo de red neuronal sea capaz de
resolver uno solo de estos problemas, es sencillo; el reto
está en conseguir un modelo que sea capaz de dar
respuesta a ambos.

5. TEORÍA DE RESONANCIA ADAPTATIVA (ART)
Esta teoría se aplica a redes neuronales
con aprendizaje competitivo en los cuales
cuando se presenta cierta información de
entrada sólo una de las neuronas de
salida se activa y alcanza su valor de
respuesta máximo después de competir
con las otras. Esta neurona recibe el
nombre de neurona vencedora.

6. TEORÍA DE RESONANCIA ADAPTATIVA (ART)
Existen tres elementos empleados en modelos con
aprendizaje competitivo: un conjunto de neuronas
iguales excepto los pesos que son definidos
aleatoriamente y que por consiguiente responde
diferentemente a cada patrón de entrada; un límite
impuesto sobre cada neurona; un mecanismo que
permite a las neuronas competir para responder bien
a un subconjunto dado de entradas, tal que solamente
una neurona de salida o sólo una neurona por clase,
es activada.

7. TEORÍA DE RESONANCIA ADAPTATIVA (ART)
La forma básica de ART es un modulo de comparación,
un parámetro de vigilancia y un modulo de reinicio. El
modulo de comparación toma un vector de entrada y
lo agrupa en alguna clase conocida por la red. El
parámetro de vigilancia se encarga de indicar el grado
de pertenencia de la entrada a alguna clase dada. Si la
entrada no pertenece a ninguna clase, se crea una
clase nueva. Esta red es muy útil por su capacidad
para agrupar datos según su información, siendo una
técnica de reconocimiento de patrones.

8. CARACTERÍSTICAS
• Redes con aprendizaje supervisado / no
supervisado.
• Redes recurrentes (realimentadas).
• Dos capas de neuronas.
• Aprendizaje en directo / en diferido.
• Basadas en plantillas o representantes de clases.
• Las distintas clases se almacenan
independientemente.

9. APLICACIONES
• Reconocimiento visual de objetos (blancos
aéreos, minas).
• Reconocimiento de imágenes y texturas.
• Procesamiento de ECG (QRS, arritmias,
reconocimiento ST).
• Reconocimiento de caracteres.
• Clasificación de patrones médicos.
• Control borroso y predicción.
• Fusión multicanal de datos .

10. HISTORIA Y EVOLUCIÓN
• Las primeras versiones son no supervisadas:
– ART1: Patrones binarios (1987)
– ART2: Patrones analógicos (1987)
– Fuzzy ART: Patrones borrosos (1991)
• Basadas en la umbralización de una distancia
patrón-clase (vigilancia, ρ).
• Posteriormente, aparecen versiones
supervisadas:
°ARTMAP (1991), °Fuzzy ARTMAP (1992), °ART-
EMAP (1995), °ARTMAP-IC (1998), °Distributed
ARTMAP (1998).

11. ESQUEMA RED NEURONAL ART

12. REPRESENTACIÓN GRÁFICA

13. Liliana Beleño
Moisés Hernández
Miyail Jiménez
Karen Ledesma
Mariangela Mayor
Karinis Morelo
Mercy Palacio
MgSc. William Atencio González