Nada

Objectiu: Aplicació de XN en el reconeixement de patrons. Ja sigui com ha reconeixedors independents o com a part integrada d'un altre algoritme.

Com funcionen?

El funcionament d’aquestesté la seva base en la interacció de les neurones, a través d'unes connexions anomenades connexions sinàptiques. Aquestes tenen el seu origen en un neurona (neurona de sortida) i el seu destí en unaaltre (neurona d'entrada). Aquestes connexions tenen associat un pes que es un valor real variable que determina la influència de la mateixa.

Una mateixa neurona pot ser el destí de diferentsconnexions sinàptiques, és per això que les entrades es processen mitjançant una funció d'activació que defineix el seu estat.

Tenim diferents classes de XN depenent de:

Tipus d'aprenentatge (supervisat o no supervisat)
Funcionalitat a la que estàn destinades (classificació, la memòria o l'optimització)
Senyal que reben (A/D)

Supervisat
Forma més elemental d'adaptacióRequereix un coneixement a priori de les respostes correctes.
Durant l'entrenament, la sortida de la xarxa es compara amb la resposta ideal i s'utilitza l'error que existeix per corregir-la.L’aprenentatge es produeix com a resultat de canviar els pesos per reduir l'error.

No supervisat
Sistema format per una matriu d'unitats lògiques amb un rang de connexions amb les neuronesveïnes.
Competició entre totes les neurones.
El sistema es modifica a ell mateix amb l’objectiu de que les neurones properes responguin d’una forma similar
No només s'ajusten els pesos de laneurona guanyadora, sino que també s'ajusten els pesos de les neurones veïnes.

TDNN

Representació temporal/ espacial

temporal: els patrons de la firma són introduïts seqüencialment en eltemps
espacial: duplicació d'unitats per cada desplaçament en el temps. Aquesta dupliacio es fa mitjançant les especificacions de la taula

L'arquitectura interna d'un classificador TDDN és...