REDES NEORONALES

CARACTERSTICAS DE LAS REDES NEORONALES

TOPOLOGA
Consiste en la organizacin y disposicin de las neuronas formando capas o agrupaciones de neuronas ms o menos alejadas de la entrada y salida de la red. REDES MONOCAPA: Se establecen conexiones laterales, cruzadas o autorrecurrentes. REDES MULTICAPA: Son aquellas que disponen de conjuntos de neuronas agrupadas en varios niveles o capas: propagacin hacia delante (las redes feedforward) o hacia atrs (las redes feedback).

MECANISMO DE APRENDIZAJE
El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una informacin de entrada. Los cambios que se producen durante el proceso de aprendizaje se reducen a la, modificacin y creacin de conexiones entre las neuronas. Se puede afirmar que el proceso de aprendizaje ha finalizado cuando los valores de los pesos permanecen estables . Un aspecto importante es determinar los criterios de la regla de aprendizaje que se considera de dos tipos:

MECANISMO DE APRENDIZAJE: APRENDIZAJE SUPERVISADO

se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina la respuesta que debera generar la red a partir de una entrada determinada. Se consideran tres formas de llevar a cabo este tipo de aprendizaje: APRENDIZAJE POR CORRECCIN DE ERROR: Consiste en ajustar los pesos en funcin de la diferencia entre los valores deseados y los obtenidos en la salida de la red.

MECANISMO DE APRENDIZAJE: APRENDIZAJE SUPERVISADO

APRENDIZAJE POR REFUERZO: Se basa en la idea de no indicar durante el entrenamiento exactamente la salida que se desea que proporcione la red ante una determinada entrada.
APRENDIZAJE ESTOCSTICO: Consiste bsicamente en realizar

cambios aleatorios en los valores de los pesos de las conexiones de la red y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidad.

MECANISMO DE APRENDIZAJE: APRENDIZAJE NO SUPERVISADO

La red no recibe ninguna informacin por parte del entorno que le indique si la salida generada en respuesta a una determinada entrada es o no correcta para ajustar los pesos de las conexiones entre neuronas. Se suelen considerar dos tipos: APRENDIZAJE HEBBIANO: la modificacin de los pesos se realiza en funcin de los estados de las neuronas, obtenidos tras la presentacin de cierto, sin tener en cuenta si se deseaba obtener o no esos estados de activacin.

MECANISMO DE APRENDIZAJE: APRENDIZAJE NO SUPERVISADO

Si las dos unidades son activas -> reforzamiento de la conexin. Si una es activa y la otra pasiva -> debilitamiento de la conexin

APRENDIZAJE COMPETITIVO Y COOPERATIVO : Las neuronas compiten por activarse, quedando las perdedoras a sus valores de respuesta mnimos.

MECANISMO DE APRENDIZAJE
La diferencia entre ambos tipos estriba en la existencia o no de una agente externo (supervisor) que controle todo el proceso de aprendizaje de la red. Otro criterio para diferenciar las reglas de aprendizaje se basa en considerar si la red puede aprender durante su funcionamiento o requiere de una fase previa de entrenamiento.

TIPO DE ASOCIACIN ENTRE LAS INFORMACIONES DE ENTRADA Y SALIDA

Las redes neuronales son sistemas que almacenan cierta informacin aprendida; est informacin se registra de forma distribuida en los pesos asociados a las conexiones entre neuronas de entrada y salida. HETEROASOCIACIN : La red aprende parejas de datos [(A1,B1), (A2,B2),....(An,Bn)], de tal forma que cuando se le presente determinada informacin de entrada Ai responda con la salida correspondiente Bi.

TIPO DE ASOCIACIN ENTRE LAS INFORMACIONES DE ENTRADA Y SALIDA

AUTOASOCIACIN:

La red aprende ciertas informaciones A1, A2, .., An de forma que cuando se le presenta una informacin de entrada realizar una auto correlacin, respondiendo con uno de los datos almacenados, el ms parecido al de entrada.

REPRESENTACIN DE LA INFORMACIN
DE ENTRADA Y SALIDA Las redes neuronales pueden tambin clasificarse en funcin de la forma en que se representan las informaciones de entrada y las respuestas o datos de salida: REDES CONTNUAS: En un gran nmero de redes, tanto los datos de entrada como de salida son de naturaleza analgica (valores reales contnuos y normalmente normalizados, por lo que su valor absoluto ser menor que la unidad). En este caso las funciones de activacin de las neuronas sern tambin contnuas, del tipo lineal o sigmoidal.

REPRESENTACIN DE LA INFORMACIN
DE ENTRADA Y SALIDA
o

REDES DISCRETAS: Por el contrario, otras redes

slo admiten valores discretos [0,1] a la entrada, generando tambin en la salida respuestas de tipo binario. La funcin de activacin en este caso es del tipo escaln. REDES HBRIDAS: La informacin de entrada es contnua pero a la salida ofrecen informacin binaria.