Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre
θ =
K
i k ki
k = 1
⎛ 1 2 ⎞
Ak = exp⎜
− ∑ ckl
2
⎟
(5.17)
⎝ l ⎠
c
kl
∑
A w
X l − µ kl =
σ
kl
donde Ak, se corresponde con la actividad de la neurona o función de base
k – ésima, ck es un vector que mide la ‘semejanza’ entre el vector de
entrada X y el centro de la k – ésima neurona gaussiana, y wki es el peso
adaptativo que conecta a la neurona k – ésima con la i – ésima neurona de
salida θi, correspondiente a la estimación de la red acerca de la
configuración de la articulación i – ésima de la mano.
• Se estable que la función de coste a minimizar durante el aprendizaje sea
( ) 2
H = ∑ θ0i −θi
. Mediante el método de descenso por el gradiente se
i
actualizan los valores de los parámetros wki, µkl y σkl hasta que el valor del
funcional H