Las redes de neuronas artificiales son una simulación abstracta de un sis-
tema nervioso real. Están formadas por un conjunto de unidades conectadas
unas con otras por medio de conexiones del tipo de los axones de las neu-
ronas, a las que simulan dichas unidades. Estas conexiones, en cuanto a su
comportamiento, tienen una gran semejanza con las dendritas y los axones
presentes en los sistemas nerviosos biológicos.
Los modelos de redes de neuronas artificiales se pueden clasificar como:
Modelos de tipo biológico: Redes que tratan de simular los sistemas
neuronales biológicos como las funciones auditivas o algunas funciones
básicas de la visión.
Modelos dirigidos a aplicaciones: Modelos menos dependientes de
los sistemas biológicos, donde sus arquitecturas están fuertemente liga-
das a las necesidades de las aplicaciones.
1.1.1. Redes neuronales de tipo biológico
Se estima que el cerebro humano contiene más de 100 billones de neuronas
y que en el sistema nervioso humano hay 1014 sinapsis. El objetivo principal
de las redes neuronales de tipo biológico es desarrollar un elemento sintético
para verificar las hipótesis que conciernen a los sistemas biológicos.
1.1.2. Redes neuronales dirigidas a aplicaciones
Las redes neuronales dirigidas a aplicaciones están poco relacionadas con
las redes neuronales biológicas. El conocimiento que se posee sobre el sistema
7
8
CAPÍTULO 1. CONCEPTOS B ÁSICOS
nervioso, en general, no es completo y se deben de definir funcionalidades y
estructuras de conexión distintas a las vistas desde la perspectiva biológica.
Los puntos fuertes de este tipo de redes son:
Auto-organización y adaptabilidad: Ofrecen posibilidades de pro-
cesado robusto y adaptativo, entrenamiento adaptativo y redes auto-
organizadas.
Procesado no lineal: Aumenta la capacidad de la red de aproximar
y clasificar así como su inmunidad frente al ruido.
Procesado paralelo: Normalmente se usa un gran número de células
de procesado con un alto nivel de interconectividad.
1.1.3. Taxonomía de las redes neuronales
Existen dos fases en toda aplicación de las redes neuronales. Estas son
la fase de aprendizaje o entrenamiento y la fase de prueba. En la fase de
entrenamiento, se usa un conjunto de datos para determinar los parámetros
libres que definen el modelo neuronal. Este modelo entrenado se usará pos-
teriormente en la fase de prueba, en la que se procesan patrones de prueba
reales para obtener los resultados definitivos.
Según el tipo de entrenamiento, las redes neuronales se pueden organizar
• Neocognitron.
• Mapas de características.
• Entrenamiento competitivo.
• ART(1 y 2).
1.2. FUNDAMENTOS
1.2. Fundamentos
9
Una red neuronal artificial consiste en un conjunto de elementos de proce-
sado1 (EP) simples conectados entre sí y entre los que se circula información
a través de conexiones.
Cada red neuronal consta de los siguientes elementos:
Un conjunto de unidades de procesamiento (neuronas artificiales).
Conexiones entre las unidades de procesamiento.
Diversas funciones asociadas a cada EP: función neta, de activación y
de salida para cada unidad de procesado.
1.2.1. Modelo de neurona artificial
El modelo de neurona y la arquitectura de una red neuronal describen
como la red transforma sus entradas en las salidas. Todo esto puede ser visto
simplemente como una computación.
Los elementos individuales de cálculo que forman la mayoría de los mo-
delos de sistemas neuronales artificiales reciben el nombre de elemento de
procesado o neurona artificial (Figura 1.1).
Figura 1.1: Estructura de una neurona artificial o elemento de procesado.
Elementos de un elemento de procesado (EP)
Entradas: Cada EP puede tener múltiples entradas, asociadas a di-
ferentes propiedades. Adem´
Links de descarga
http://lwp-l.com/pdf4929
Comentarios de: Apuntes de Sistemas Conexionistas (0)
Comentarios de: Apuntes de Sistemas Conexionistas (0)
No hay comentarios