Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre
el algoritmo debe asegurar que cuando al sistema se le presente en el futuro la misma
entrada, éste produzca el mismo plan de agarre como salida. Esto se consigue mediante
• Asegurándonos de que el mismo conjunto de detectores de características
se active la próxima vez que se presente la misma entrada incrementando
la fuerza de conexión entre las unidades activas en la capa V y los
detectores de características G activos ante esa entrada.
• Incrementando el apoyo activo que ejercen los detectores de características
activos sobre los programas de agarre seleccionados mediante el aumento
del valor de las conexiones sinápticas entre los detectores activos G y las
unidades de salida C.
Por otro lado supongamos que se produce una evaluación negativa del agarre (R
< 0). Esto puede deberse tanto al hecho de que la selección de detectores ha sido
errónea, o a que la selección misma del programa de agarre ha sido incorrecta. Ya que
no conocemos en principio a que se debe esa evaluación negativa, asumiremos que se
debe a ambos factores
• Debemos reducir el valor de las conexiones sinápticas entre las unidades
activadas por la entrada en V con los detectores de características activos
(G) de manera que en el siguiente ensayo se de la oportunidad a otros
detectores para activarse.
• También debemos reducir el apoyo activo que los detectores activos
ejercen sobre el plan de agarre seleccionado. Esto permitirá que en el
siguiente ensayo con la misma entrada, se prueben distintas
configuraciones de agarre.
Estas reglas se pueden escribir como ecuaciones de actualización de pesos sinápticos
∆ W = α ⋅ R ⋅V ⋅G ⋅W
ij i j ij
∆ W = α ⋅ R ⋅G ⋅C ⋅W
' '
jk j k jk
donde ∆Wij e ∆Wjk son los cambios en las conexiones sinápticas, α es la tasa de
aprendizaje y R es la señal de refuerzo.
218
(5.6)