Universidad Santa María Decanato de Postgrado y Extensión

Especialización en Planificación y Evaluación EducativasRedes y Telecomunicaciones

REDES NEURONALES ARTIFICIALESREDES NEURONALES ARTIFICIALESModelos Supervisados y de Modelos Supervisados y de Entrenamiento CompetitivoEntrenamiento Competitivo

Yulimar Parababire

REDES NEURONALES REDES NEURONALES ARTIFICIALESARTIFICIALES

Las Redes Neuronales Artificiales (Artificial Neural Networks - ANNs) se constituyeron inicialmente como una simulación abstracta de los sistemas nerviosos biológicos formados por un conjunto de unidades llamadas neuronas o nodos conectados unos con otros. Las conexiones de estos nodos se asemejan a las dendritas y axones de los sistemas nerviosos biológicos.

MODELOS DE TIPO BIOLÓGICO

MODELOS DIRIGIDOS A APLICACIONES

MODELOS DE TIPO BIOLÓGICO

El objetivo de las redes neuronales de tipo biológico se constituye en desarrollar un elemento sintáctico que permita verificar las hipótesis correspondientes a los demás sistemas biológicos. Es decir, las redes neuronales de tipo biológico deben recibir y

procesar información de otros sistemas biológicos y devolver una respuesta de acción efectiva.

REDES NEURONALES DE APLICACIONES CONCRETAS

Toda aplicación de redes neuronales consta de dos fases: la fase de aprendizaje o entrenamiento y la

fase de prueba o funcionamiento directo. En la fase de entrenamiento se usa un conjunto de datos o patrones de entrenamiento para determinar los

pesos que definen el modelo neuronal. Este modelo una vez entrenado, se usará en la fase de

funcionamiento directo en la que se procesarán patrones de prueba que constituyen la entrada habitual de la red con el objetivo de analizar las

prestaciones definitivas de la misma.

TAXONOMÍA DE LOS MODELOS DE REDES NEURONALES

Modelos SupervisadosPerceptrón

Perceptrón Multicapa

Adaline-MadalineBackpropagation

Time Delay NNProbabilistic NN

Generelized Regresión NN

Modelos No Supervisados

Redes de Hopfield Mapas de Kohonen

Modelos Competitivos

Modelos SupervisadosPerceptrón Es un conjunto de neuronas no unidas

entre sí, de manera que cada una de las entradas del sistema se conectan a cada neurona, produciendo cada una de ellas su salida individual.

Perceptrón Multicapa

Como su nombre indica, se trata de unos cuantos (dos o tres) perceptrones de una sola conectados en cascada.

Adaline-MadalineADALINE que por sus siglas en inglés significa ADAptive LINear Element es un dispositivo que consta de un solo elemento de procesamiento, por lo que técnicamente no es una red.MADALINE (por sus siglas en inglés Multiple ADAptive LINear Element). Consta de una capa de ADALINES y una función de mayoría cuya respuesta binaria depende de las respuestas de las ADALINES.

Adaline

Madaline

Modelos Supervisados

BackpropagationEl principal defecto de este enfoque consiste en la búsqueda de la mejor arquitectura a través de prueba y error.

Time Delay NN

Red multicapa feddforward donde las salidas de cada capa están retenidas durante un tiempo, conectándose todas a la vez a la siguiente capa.

Probabilistic NN Red de tres capas, que en su forma estándar no entrena.

Generelized Regresión NN

Red que por lo general no necesita un entrenamiento iterativo, se utiliza en problemas de clasificación o estimación de variables continuas.

Modelos No SupervisadosRedes de Hopfield

Consiste de una red monocapa con N neuronas cuyos valores de salida son binarios 0/1 ó -1/+1. En la versión original del modelo Discrete Hopfield, las funciones de activación de las neuronas eran del tipo escalón.

Mapas de Kohonen

Consiste en una Red Neuronal de dos capas, la primera de las cuales es una capa de entrada y la segunda es una "capa de competición". Las células de ambas capas están conectadas entre sí, de tal forma que una célula de la capa de entrada conecta con las de la capa de competición.

Modelos No Supervisados

Modelos No Supervisados Competitivos

En los esquemas de aprendizaje competitivo, no existe garantía explicita sobre la estabilidad de los grupos de patrones de entrada durante el proceso de decrecimiento del factor de aprendizaje en las sucesivas iteraciones.

Características Fundamentales

Arquitectura

ProcedimientoAprendizaje

dWij= (-Wij+θi) × g(bj)

dt

g(bj) =1 si j ganadora0 en caso contrario

θi =Ii

ΣMj=1 Ij

Ecuaciones de Aprendizaje

Problemas- No es capaz de producir una codificación estable ante entradas arbitrarias.-Si se perturba la red con valores aleatorios y se vuelven a introducir los valores de entrada, puede producirse una respuesta incorrecta-Tiene una capacidad limitada de codificación en función de las dimensiones de la red.-Es necesario establecer a priori el número de categorías de la clasificación.

Modelos No Supervisados

Modelos No Supervisados Competitivos

En los esquemas de aprendizaje competitivo, no existe garantía explicita sobre la estabilidad de los grupos de patrones de entrada durante el proceso de decrecimiento del factor de aprendizaje en las sucesivas iteraciones.

Características Fundamentales

Arquitectura

ProcedimientoAprendizaje

dWij= (-Wij+θi) × g(bj)

dt

g(bj) =1 si j ganadora0 en caso contrario

θi =Ii

ΣMj=1 Ij

Ecuaciones de Aprendizaje

Problemas- No es capaz de producir una codificación estable ante entradas arbitrarias.-Si se perturba la red con valores aleatorios y se vuelven a introducir los valores de entrada, puede producirse una respuesta incorrecta-Tiene una capacidad limitada de codificación en función de las dimensiones de la red.-Es necesario establecer a priori el número de categorías de la clasificación.