¿Qué es una Red Neuronal?
Sub
5.- Tolerancia a fallos: Por una parte, si una neurona o un enlace de la red neuronal son dañados, la respuesta de la red probablemente no quedará afectada. Una persona nace con unos 100 billones de neuronas y a partir de los cuarenta años, o antes, se pierden más de 40.000 neuronas diarias, que no son reemplazadas y, sin embargo, continuamos aprendiendo. Por otra parte, una red es capaz de reconocer señales de entrada diferentes a las señales entrenadas cuando difieren moderadamente. Análogamente, una persona puede reconocer a otra después de muchos años sin verla.
6.- Implementación VLSI: Al ser las redes masivamente paralelas pueden conseguir rapidez de cómputo en la realización de ciertas tareas. Permiten la implementación usando la tecnología VLSI (Very-Large-Scale-Integrated) y conseguir aplicaciones, como el reconocimiento de patrones, procesamiento de señales y control en tiempo real.
Unidades de proceso (neuronas artificiales)
Sub
Una unidad de proceso bipolar es una función matemática con dominio el conjunto n-dimensional {-1,1}n y rango el conjunto {-1,1}, definida por la siguiente expresión:
donde los parámetros w1,w2,.,wn, se llaman pesos sinápticos y son los pesos con los que se ponderan los valores de entrada x1,x2,.,xn o argumentos de la función; la suma ponderada se llama potencial sináptico y el parámetro ? se llama umbral o sesgo. También se puede expresar la función f mediante la función signo, es decir,
siendo la función signo,
Unidades de proceso (neuronas artificiales)
Sub
Se define una unidad de proceso binaria como una función matemática con dominio el conjunto n-dimensional {0,1}n y rango el conjunto {0,1}, definida por la siguiente expresión:
(Gp:) x1
(Gp:) x2
(Gp:) x3
(Gp:) w2
(Gp:) w3
Unidades de proceso (neuronas artificiales)
Sub
Una unidad de proceso logística es una función de Rn en [0,1] dada por la expresión
(Gp:) x1
(Gp:) x2
(Gp:) x3
(Gp:) y ? [0,1]
(Gp:) w1
(Gp:) w2
(Gp:) w3
Unidades de proceso (neuronas artificiales)
Sub
Una unidad de proceso tangente hiperbólica es una función de Rn en [?1,1] dada por la expresión
(Gp:) x1
(Gp:) x2
(Gp:) x3
(Gp:) y ?[-1,1]
(Gp:) w1
(Gp:) w2
(Gp:) w3
Características de las unidades de proceso inspiradas en las neuronas biológicas
Sub
1.- La unidad de proceso recibe muchas señales.
2.- Las señales se pueden modificar por un peso en la sinapsis receptora.
3.- La unidad de proceso suma las entradas ponderadas.
4.- En la circunstancias propicias (entradas suficientes) la neurona transmite una única salida.
5.- La salida de una unidad de proceso puede ser la entrada de otras unidades de proceso.
6.- El procesamiento de la información es local.
7.- La memoria es distribuida:
La memoria a largo plazo reside en los pesos sinápticos.
La memoria a corto plazo corresponde a las señales enviadas por las neuronas.
8.- Los pesos sinápticos se pueden modificar por la experiencia.
9.- Los neurotransmisores para la sinapsis pueden ser excitadores (pesos positivos) o inhibidores (pesos negativos).
Reglas de aprendizaje
Sub
Una de las características más importantes de las redes neuronales es su capacidad de aprender interactuando con su entorno o con alguna fuente de información.
El aprendizaje de la red es un proceso adaptativo mediante el cual se van modificando los pesos sinápticos de la red para mejorar el comportamiento de la red.
De manera general, una red neuronal va a modificar su peso sináptico wij correspondiente a la conexión de la neurona i con la neurona j mediante una regla de aprendizaje de la forma:
Es decir, el nuevo valor del pasos sináptico se obtiene sumándole una cantidad (modificación) al valor antiguo.
Reglas de aprendizaje
Sub
Aprendizaje supervisado, en el que vamos a disponer de un conjunto de patrones de entrenamiento para los que conocemos perfectamente la salida deseada de la red. Un objetivo para diseñar la regla de aprendizaje supervisada podrá ser minimizar el error cometido entre las salidas (respuestas) de la red y las salidas (respuestas) deseadas. Tendremos así reglas de aprendizaje basadas en la corrección del error, como la regla de retropropagación del error en el caso del Perceptrón y el algoritmo de mínimos cuadrados, muy utilizados en problemas de clasificación y predicción.
Aprendizaje no supervisado (competitivo o autoorganizado), en el que vamos a disponer de un conjunto de patrones de entrenamiento pero no vamos a conocer las salidas deseadas de la red. La red por sí misma buscará su comportamiento más adecuado atendiendo a cierto criterio y encontrará estructuras o prototipos en el conjunto de patrones de entrenamiento. Como ejemplo tenemos la regla de aprendizaje competitivo no supervisado (utilizada en problemas de agrupación de patrones y obtención de prototipos), la regla de Kohonen (utilizada en reconocimiento e identificación de patrones) y la regla de Hebb.
Reglas de aprendizaje
Sub
Aprendizaje por refuerzo, basado en un proceso de prueba y error que busca maximizar el valor esperado de una función criterio conocida como una señal de refuerzo. La idea de este paradigma surge en la psicología en relación con el estudio del aprendizaje en los animales. Si una acción supone una mejora en el comportamiento entonces la tendencia a producir esta acción se refuerza y en caso contrario se debilita. Por ello, vamos a tener un conjunto de patrones de entrenamiento y sus correspondiente señales evaluativas, que suelen ser valores -1 ó +1 (en lugar de sus respuestas deseadas como en el caso supervisado). Dicha señal evaluativa informa a la unidad entrenada sobre su comportamiento con respecto a la entrada recibida, es decir, evalúa la adecuación de su salida para dicha entrada.
 Página anterior | Volver al principio del trabajo | Página siguiente  |