Las redes neuronales de base radial están compuestas únicamente de tres capas, las cuales son: la capa de entradas, capa oculta y la capa de salida. La función de activación de las neuronas de la capa oculta es de base radial, de ahí el nombre de esta red, y una función comúnmente usada para activar estas neuronas es la función Gaussiana; y las neuronas de la capa de salida presentan un comportamiento similar a un perceptrón simple.
El método de aprendizaje para este tipo de red se suele llamar híbrido debido a que implementa métodos de aprendizaje supervisado y no supervisado.
Así mismo el aprendizaje lo podemos dividir en dos fases, la fase no supervisada y la fase supervisada.
En la fase no supervisada el clasificador no supervisado debe encontrar el valor de los centroides y conjuntos, de un conjunto de muestras dado. Para esto un clasificador muy comunmente utilizado es el K-Means, en el siguiente enlace presentamos a este clasificador:
En la fase supervisada vamos a ajustar el valor de los pesos sinápticos de tal forma que la respuesta de la red sea similar a la deseada. Para esto vamos se puede hacer uso del método de la matriz seudoinversa o también del método de la regla delta.
A continuación presentamos los algoritmos para la implementación de la red RBF:
Algoritmo para la fase no supervisada
Algoritmo para la fase supervisada (Método de la regla Delta)
Algoritmo para la fase supervisada (Método de la Matriz seudoinversa)
En el siguiente video mostramos de manera detallada a la red RBF, desde su descripción teórica, el algoritmo de aprendizaje, y su implementación en código.
Descargar los códigos:
Download code:
Comments