neuronas

MODELO DE NEURONA ARTIFICIAL 
Se expone el modelo de una neurona de las Redes Neuronales Artificales (RNA).    En primer lugar, se describe la estructura de una neurona artificial genérica, a continuación se muestra una versión simplificada de amplio uso en los modelos orientados a aplicaciones prácticas, que poseen una estructura más próxima a la neurona tipo clásica [Mc. Culloch-Pitts].Aunque el comportamiento de algunos sistemas neuronales biológicos sea lineal, como sucede en la retina del cangrejo Limulus, en general, la respuesta de las neuronas biológicas es de tipo no lineal, característica que es emulada con las RNA desde la neurona formal original de Mc Culloch-Pitts.
La formulación de la neurona artificial como dispositivo no lineal constituye una de sus característicasmás destacables, y una de las que proporciona un mayor interés a los RNA, pues el tratamiento de problemas altamente no lineales no suele ser fácil de abordar mediante técnicas convencionales.
Modelo general de neurona artificial
Enseguida se describe la estructura genérica de neurona artificial en el marco establecido por el grupo PDP.
Se denomína procesador elemental o neurona, a un dispositivosimple de cálculo que, a partir de un vector de entrada procedente del exterior o de otras neuronas, proporciona una única respuesta o salida. Los elementos que constituyen la neurona de etiqueta "i" son los siguientes (véase la siguiente figura 1.7):


Conjunto de entradas, 
Pesos sinápticos de la neurona i, wij~ que representan la intensidad de interacción entre cada neurona presináptica"j" y la neurona postsináptica "i".
Regla de propagación , que proporciona el valor del potencial postsináptico ,de la neurona "i" en función de sus pesos y entradas.
Función de activación fi(ai(t-1), hi(t)), que proporciona el estado de activación actual ai(t) = fi ( ai (t-1), hi (t) ) de la neurona "i", en función de su estado anterior ai(t-1) y de su potencial postsináptico actual.
Función desalida Fi (ai(t)), que proporciona la salida actual yi(t) = Fi (ai(t)) de la neurona "i" en función de su estado de activación.
La operación de la neurona "i" se expresa como sigue;
                                         (1.1)
Este modelo de neurona formal se inspira en la operación de la neurona biológica, en el sentido de integrar una serie de entradas y proporcionar cierta respuesta, que sepropaga por el axón.
Las variables de entrada y salida son binarias (digitales) ó continuas (analógicas), dependiendo del modelo y su aplicación.
Por ejemplo, un perceptrón multicapa ó MLP (Multilayer Perceptron) admite ambos tipos de señales.
Así, para tareas de clasificación poseería salidas digitales (0,+1), mientras que para un problema de ajuste funcional de una aplicación multivariablecontinua, se utilizarían salidas continuas pertenecientes a un cierto intervalo.
Entradas y salidas 
Dependiendo del tipo de salida, las neuronas suelen recibir nombres específicos. Así, las neuronas estándar cuya salida sólo puede tomar los valores "0" ó "1" se suelen denominar genéricamente neuronas de tipo Mc Culloch Pitts, mientras que aquellas que únicamente pueden tener por salidas ( -1 ó +1) se suelen denominar neuronas tipo Ising (debido al paralelismo con los modelos físicos de partículas con espín que adoptan únicamente dos estados, hacia arriba y hacia abajo).
Si adopta diversos valores discretos en la salida ( por ejemplo, -2, -1, 0, + 1, +2 ), se dice que se trata de una neurona de tipo Potts.
En ocasiones, el rango de los valores que una neurona de salida continua puedeproporcionar se limita a un intervalo definido, por ejemplo, ( 0,+1 ) ó ( -1,+1 ).
Regla de propagación 
La regla de propagación permite obtener, a partir de las entradas y los pesos, el valor del potencial postsináptico hi de la neurona;
             (1.2)
La función más habitual es de tipo lineal, y se basa en la suma ponderada de las entradas con los pesos sinápticos
                    ...