Inicialmente los pesos de cada neurona se establecen aleatoriamente. Durante el entrenamiento, se elige al azar un vector de entrada con él se realizan dos tareas:

§  Determinar neurona ganadora.

§  Modificación de pesos.

(1)   Selección de la neurona ganadora

Al recibir un patrón  cada neurona compara su vector de pesos con el vector de entrada de tal forma que:

§  Utiliza distintas funciones de distancia posibles.

§  La más usual es la distancia euclídea:

La única neurona ganadora es aquella con los pesos más parecidos al patrón. Sólo se activara la neurona cuya distancia sea la menor:

(2)   Ajuste de pesos

Sólo se realizará ajuste de pesos en la neurona ganadora y sus “vecinas”. La idea es que dicha neurona se “especialice” en patrones similares. Se ajustan los pesos para hacerlos más parecidos al patrón de entrada que provoco la activación, teniendo entonces, como idea base, acercar el vector de pesos al vector de entrada.

El ajuste de pesos debe ser controlado por dos parámetros que varían con el tiempo (número de patrones procesados). Dichos parámetros son:

§  Función de vecindad y amplitud de “vecindario”.

§  Tasa de aprendizaje.

Los nuevos pesos después de la iteración  para la neurona  se definen por:

	(4.27)

Con  el valor de la tasa de aprendizaje para la presente iteración:

§  Se va reduciendo con el tiempo (una función determina como decrece a medida que aumentan las iteraciones).

§  Al principio: valores grandes, provocan cambios relativamente bruscs en la organización de las neuronas.

§  Al final: se deben tener valores casi nulos, para que la red se estabilice y converja.

Con  una media que indica el grado de vecindad entre la neurona y la neurona :

§  Valdrá 1 para la neurona ganadora  y 0 para las que no estén en su vecindad.

§  Su valor se va haciendo menor a medida que se reduce la vecindad con .

§  Su efecto también disminuye con el tiempo (A Medida que Aumentan las Iteraciones).

El nuevo peso es el resultado de sumar al antiguo una fracción (Determinada por ) de la diferencia entre el peso antiguo y su componente correspondiente del vector de entrada.

GRADO DE VECINDAD

Regulado por 3 parámetros:

Radio de vecindad (d).

Amplitud del alcance de las neuronas afectadas por la vecindad. El radio de vecindad se va reduciendo a medida que avanza el aprendizaje.

Tipo de relación de vecindad (Topología).

Determina que neuronas se consideran vecinas inmediatamente de una dada. No es una conexión real (Física entre Neuronas).

FUNCIÓN DE VECINDAD

Cuantifican numéricamente el grado de vecindad en función de la distancia a la ganadora. El efecto de aprendizaje debe ser proporcional a la distancia respecto a la neurona ganadora. Existe una multitud de posibles funciones (Con Centro en la Neurona Ganadora).

Figura 4.21: Funciones de Vecindad