Red Neuronal RBF

• Una red de funciones de base radial es

una red neuronal que utiliza funciones de
base radial como funciones de activación.
• Aplicaciones
• Aproximación de funciones
• Predicción de series de tiempo
• Control
Función de base radial (RBF)

• Una Función de Base Radial, φ, es

aquella cuya salida es simétrica alrededor
de un centro asociado, μc.

φc= φ||x- μc||

donde ||.|| es una norma vectorial

• Ejemplo f ( x)  e  ( x c ) 2 / 2 2
Arquitectura de la red RBF

Estos pesos son los centros de las RBF. Para cada patrón
de entrada, no se calcula producto interior sino distancia.
Arquitectura de la red RBF

• Características
• La capa oculta realiza una
transformación no lineal del espacio de
entrada. Las neuronas de esta capa son
las funciones de base radial.
• Cada neurona de la capa de salida es
un combinador lineal.
Forma de aprendizaje

Red Backpropagation Red RBF

Forma de aprendizaje
Entrenamiento

NO supervisado Supervisado utilizando

la regla de Widrow
Ejemplo

• Utilicemos una red RBF para resolver el

problema del XOR.
• Una solución que tiene 2 entradas, 2
unidades ocultas y 1 salida.
• Los centros para las ocultas se fijan en
(0,0) y (1,1), y los valores de  se
escogen tal que 22 = 1.
Entrenamiento

Falta ver como obtener estos pesos que se

corresponden con los centros de las RBF
Determinación de centros
(Algoritmo de K-medias)

• Los centros se determinan por un algoritmo de

clasificación. El numero de clases es el numero
de neuronas ocultas en la red.
• K-medias clasifica de forma no supervisada el
espacio de patrones de entrada en K clases o
regiones. El representante de cada clase, Ci,
será el centro de la neurona oculta i.
Determinación de centros
(Algoritmo de K-medias)

• Estos centros se calculan con el objeto de

minimizar las distancias euclídeas entre las
entradas y el centro más cercano:
k N
J   Ain * X (n)  Ci
i 1 n 1

1 si X (n)  Ci  X (n)  Cs s  i, s  1..k

Ain  
0 en otro caso
Algoritmo K-medias

• Tomar k muestras como centros iniciales

• Mientras no haya cambios significativos
• Asociar cada muestra al centro más
cercano.
• Recalcular los centros como el promedio
de todos sus elementos.
Ejemplo
K-Medias con K=2
K-Medias con K=3
K-Medias con K=4
Ejercicio

• Se desea construir una red RBF para

aproximar la siguiente función

f(x)= (-x .* sin(pi*x) + 1) / 2

Ejercicio
Conjunto de muestras

• A partir de la ecuación anterior, generar 240

muestras de forma aleatoria con distribución
uniforme en el intervalo [0,5].
• Extracción del conjunto de entrenamiento y
validación: Usar 40 muestras aleatorias para
entrenamiento y las 200 restantes para
validación.
Ejercicio
Diseño de la arquitectura

• Utilizar una neurona de entrada (recibe el valor

de la x) y una neurona de salida.
• Fijar inicialmente 10 neuronas ocultas, la idea es
cambiar posteriormente este parámetro y ver
como influye en la solución
• Aprendizaje usando el método híbrido: K=10,
amplitud calculada a partir de la varianza y
=0.025