Adaptación de la arquitectura de redes neuronales estocásticas polinomiales utilizando aprendizaje de autómatas
Abstract
Se discute la forma de obtener el número óptimo de nodos en una Red Neuronal artificial Polinomial con perturbaciones de tipo estocástico en la salida de cada nodo. El algoritmo utilizado se basa en una técnica de aprendizaje reforzado. Para resolver este problema de optimización se introduce un índice especial de desempeño de tal forma que el número óptimo de nodos corresponde al punto mínimo de este criterio. Este criterio es una combinación de la minimización de una función residual y de la varianza de las perturbaciones consideradas de naturaleza aleatoria. Un valor grande en la varianza de la perturbación da como resultado un óptimo diferente del número de neuronas en la red debido al efecto de "interferencia". El algoritmo de aprendizaje utilizado permite aplicar este procedimiento sin conocer la naturaleza de las perturbaciones y disminuye la cantidad de operaciones que se requieren en la convergencia del estimado. Se presentan algunos resultados de simulación para ilustrar la potencialidad del algoritmo propuesto. This paper is concerned with the selection of a number of nodes in polynomial artificial neural nets containing stochastic noise perturbations in the outputs of each node. The suggested approach is based on a reinforcement learning technique. To solve this optimizalion problem we introduce a spe cial performance index in such a way that Lhe best number of nades corresponds to the minimum point of !he suggested cnterion. This cnterion presents a linear combination of a residual minim1zation func tíonaland sorne "generalized variance of the involved disturbances of random nature. A large value of the noise variance leads to a different opt imal number of neurons in a neural network because of the interference" effect. The nature of the noise perturbations is not necessary to be known using the learning algorithm and \he computing effort decreased to get the convergence estimated. Simulation modeling results are presented to illustrate the effectiveness of the suggested approach.