Adquisiciones Del Lengiaje Durante La Edad Preescolar De 1 A 3 Años

Las Redes Neuronales:

En este capítulo se va a describir uno de los métodos de clasificación más utilizados por su potencia, su fácil implementación y su flexibilidad: las Redes Neuronales (RN). Por estas características es el método que hemos utilizado en este proyecto para obtener resultados a partir de nuestros experimentos con el fin de poder clasificar los argumentos de entrada a laRed Neuronal como buenos o malos para nuestros propósitos.


1 Introducción

Las Redes Neuronales constituyen una familia muy variada de arquitecturas. Están basadas en el modelo cerebral: las neuronas establecen conexiones entre ellas (sinapsis), de manera que cuando un animal recibe un estímulo, ciertas conexiones se refuerzan más que otras, provocando una cierta respuesta. Siempre que elanimal reciba un estímulo (entrada) similar, generará la misma respuesta (aprendizaje): se puede decir que el cerebro reconoce diferentes patrones.

Este comportamiento es fácilmente caracterizable mediante un modelado matemático (simulación). El tratamiento de la información (computación) no va a ser el tradicional: se basa en la evolución temporal del sistema y en la interpretación deciertos parámetros (información). El sistema se compone de un número elevado de unidades muy simples (neuronas) altamente interconectadas: el paralelismo es masivo. Se puede decir que una neurona es un tipo de autómata (sistema dinámico), de ahí el carácter temporal. Las Redes Neuronales artificiales pueden aprender modificando el “peso” de las conexiones entre las unidades; así es posible distinguirpatrones.

La idea de las Redes Neuronales es definir una función a partir de la cual poder distinguir patrones con los datos de salida: dependiendo del valor obtenido catalogamos la entrada como perteneciente a un cierto grupo. El tipo de entradas y su número determinará la capacidad de discriminación de la Red [Martín-01].

En el ejemplo siguiente, una entrada (x1) no es suficiente paradeterminar si estamos en el patrón A o el B. Con otra entrada (x2) ya somos capaces de discriminar.

[pic]

Figura 2-1: Ejemplo de clasificación.


2 Historia

McCullogh y Pitts realizaron en 1943 un estudio biológico del cerebro obteniendo un modelo formal de neurona, con lo que introdujeron así el concepto de umbral: una neurona responde a un cierto estímulo siempre queéste sobrepase un cierto umbral de activación.

Posteriormente, en 1949, Hebb desarrolló el Hebbian Learning: aprendizaje mediante adaptación de sinapsis o reforzamiento de las conexiones.

En 1959, Rosenblat definió el perceptrón, uno de los conceptos más importantes dentro del desarrollo de las Redes Neuronales: el perceptrón consiste en una estructura más una regla de aprendizaje o regladel perceptrón. Esa estructura es la combinación de una neurona y una función de salida que es la que define el umbral de activación. La misión de la neurona es implementar una combinación lineal de las entradas. Cada entrada posee un peso, que se adapta temporalmente. Es esto lo que se conoce como aprendizaje.

Misky y Papert desarrollaron en 1969 un perceptrón unicapa que conseguía unaclasificación de primer orden (XOR). Se planteó entonces el problema del entrenamiento de varias capas. Así, en 1974 Werbos definió el algoritmo de retropropagación y el uso de la función sigmoidal como función de salida de un perceptrón. El algoritmo de retropropagación permite modificar los pesos partiendo de la última capa hasta la inicial basándose en el error cometido en la iteración anterior.Ese error es la diferencia entre la salida de la Red Neuronal y la salida real que deberíamos haber obtenido. Como el algoritmo de retropropagación está basado en la derivada del error, se decidió utilizar la función sigmoidea en vez del escalón para representar el umbral de activación (la función escalón tiene derivada infinita en el origen).

Posteriormente se desarrollaron otros tipos de...