neuronal y en función de las ecuaciones dinámicas de prueba. Una vez calculados
los pesos de la red, se compararán las salidas deseadas con los valores de las
neuronas de la última capa para determinar la validez del diseño.
Fase de Aprendizaje
Una de las características
más resaltantes de las redes neuronales es su
capacidad de aprender. Éstas aprenden por la actualización o variación de los
pesos sinápticos que caracterizan a las conexiones. Los pesos son adaptados de
acuerdo a la información extraída de los patrones de entrenamiento nuevos que se
van presentando. Normalmente, los pesos óptimos se obtienen de la optimización
(minimización o maximización) de alguna función de energía.
El entrenamiento de las redes neuronales puede realizarse fuera de línea o en
tiempo real. La elección de cualquiera de ellos o ambos implica velocidades de
proceso diferentes que afectas a los algoritmos y hardware utilizados. De acuerdo
al tipo de entrenamiento, las redes neuronales pueden clasificarse en:
Fijo
No supervisado
Supervisado
Red de Hamming
Mapa de características
Basadas en decisión
Red de Hopfield
Aprendizaje competitivo
Perceptrón
ADALINE (LMS)
Perceptrón Multicapa
Modelos Temporales
Dinámicos
Modelos Ocultos de Markov
4.
REDES NEURONALES SUPERVISADAS Y NO SUPERVISADAS
Las redes neuronales se clasifican comúnmente en términos de sus
correspondientes algoritmos o métodos de entrenamiento: redes de pesos fijos,
redes no supervisadas, y redes de entrenamiento supervisado. Para las redes de
pesos fijos no existe ningún tipo de entrenamiento.
REDES DE ENTRENAMIENTO SUPERVISADO
Las redes de entrenamiento supervisado han sido los modelos de redes más
desarrolladas desde los inicios de este tipo de diseños. Los datos para el
entrenamiento están constituidos por varios pares de patrones de entrenamiento
de entrada y de salida. El hecho de conocer la salida implica que el entrenamiento
se beneficia de la supervisión de un maestro. Dado un nuevo patrón de
entrenamiento (m+1), los pesos serán adaptados de la siguiente forma:
DIAGRAMA ESQUEMÁTICO DE SISTEMA DE ENTRENAMIENTO
REDES DE ENTRENAMIENTO NO SUPERVISADO
Las Redes de Entrenamiento no Supervisado utilizan datos de entrenamiento
consistentes en sólo patrones de entrada. Por lo tanto, la red es entrenada sin el
beneficio de un maestro. La red aprende a adaptarse basada en las experiencias
recogidas de los patrones de entrenamiento anteriores.
DIAGRAMA ESQUEMÁTICO DE SISTEMA DE ENTRENAMIENTO
La Regla de Aprendizaje de Hebb: Refuerza el peso que conecta dos nodos que
se excitan simultáneamente.
Regla de Aprendizaje Competitiva: Determina la factibilidad de pertenencia de un
patrón a una clase reconocida previamente. En caso de darse esta pertenencia, la
inclusión de este nuevo patrón a la clase reconocida cambiará al representante de
la misma.
5.
FUNCIONES DE BASE Y ACTIVACIÓN
Una neurona suministra un valor a su salida que se propaga a través de la red de
conexiones unidireccionales hacia otras células de la red. Asociada a cada
conexión hay un peso sináptico denotado por w
ij
, que determina el efecto de la
neurona j-ésima sobre la neurona i-ésima. Las entradas a la neurona i-ésima que
provienen de las otras neuronas son acumuladas junto con el umbral externo, para
dar el valor de red. La forma de hacerlo está determinada matemáticamente por la
función de base f para dar un valor de activación. En este sentido, la salida final se
puede expresar como una función de la entrada y pesos.
Las redes de conexión son matemáticamente representadas por la función de base
u (w, x) donde w es la matriz de pesos y x el vector de entrada. La función de base
tiene dos formas típicas:
Función Lineal de Base
Función de primer orden o de tipo hiperplano. El valor de red es una combinación
lineal de las entradas.
Función de Base Radial
Función de segundo orden o de tipo hiperesférico. El valor de red representa la
distancia a un determinado patrón de referencia.
FUNCIÓN DE ACTIVACIÓN O FUNCIÓN DE NEURONA
La función de activación se encarga de transforma el valor de red expresado por
la función de base u (w, x). Las funciones de activación más comunes son:
FUNCIÓN PASO
FUNCIÓN RAMPA
FUNCIÓN SIGMOIDAL
FUNCIÓN GAUSSIANA
6.
ESTRUCTURAS DE LAS REDES NEURONALES ARTIFICIALES
Los aspectos más característicos de las estructuras son la estructura de conexión,
el tamaño de la red y la elección entre ACON (All Class in One Network -Todas las
Clases en Una Red) y OCON (One Class in One Network - Una Clase en Una
Red).
ESTRUCTURAS DE CONEXIÓN
Una red neuronal está determinada por la neurona y la matriz de pesos. El
comportamiento de la red depende en gran medida del comportamiento de la
matriz de pesos. Hay tres tipos de capas de neuronas: la de entrada, las ocultas y
la de salida. Entre dos capas de neuronas existe una red de pesos de conexión,
que puede ser de los siguientes tipos: Hacia delante, hacia atrás, lateral y de
retardo.
Mister Wong
Portal para Investigadores y Profesionales
