Perceptron multicapa

Índice

Página

1.- Introducción…………………….………………………………………………………..……..3

2.- Antecedentes………………………….………………………………………………………..4

3.- Arquitectura de Red………………………………………………………………………….5

4.- Aprendizaje………………………………………………………………………………………7

5.- Conclusiones…….……………………………………..……………………………………..11

6.- Referencias…………………………………………………..………………………………..12

7.- Manual del Modelo de Red – PerceptrónMulticapa……….………………13

1.- Introducción

Las Redes Neuronales Multicapa

Las redes multicapa están formadas por varias capas de neuronas (2,3...). Estas redes se pueden a su vez clasificar atendiendo a la manera en que se conexionan sus capas.

Usualmente, las capas están ordenadas por el orden en que reciben la señal desde la entrada hasta la salida y están unidas en ese orden. Ese tipo deconexiones se denominan conexiones feedforward o hacia delante.

Por el contrario existen algunas redes en que las capas aparte del orden normal algunas capas están también unidas desde la salida hasta la entrada en el orden inverso en que viajan las señales de información. Las conexiones de este tipo se llaman conexiones hacia atrás, feedback o retroalimentadas.

Redes con conexiones haciaadelante:

Como decíamos antes, Este tipo de redes contienen solo conexiones entre capas hacia delante. Esto implica que una capa no puede tener conexiones a una que reciba la señal antes que ella en la dinámica de la computación.
Ejemplos de estas redes son Perceptron, Adaline, Madaline, Backpropagation y los modelos LQV y TMP de Kohonen.

El entrenamiento de estas redes, se basa en lapresentación sucesiva y de forma reiterada, de pares de vectores en las capas de entrada y salida (vectores entrada y salida deseada). La red crea un modelo a base de ajustar sus pesos en función de los vectores de entrenamiento, de forma que a medida que se pasan estos patrones, para cada vector de entrada la red producirá un valor de salida más similar al vector de salida esperado. Estas redes tambiénse llaman de retro-propagación (backpropagation), nombre que viene dado por el tipo de aprendizaje que utilizan.

Los perceptrones multicapa con aprendizaje de retro-propagación son una variación del modelo ADALINE (Widrow et al., 1960), que utiliza la regla Delta como forma de aprendizaje (Esta regla de aprendizaje, se fundamenta en la utilización del error entre la salida real y esperada de lared para modificar los pesos).

Estas redes adaptan la regla Delta de tal forma, que se facilite el entrenamiento de todas las conexiones entre los distintos niveles de la red.

2.- Antecedentes

El Perceptrón fue propuesto por Rosenblatt en 1959 en su obra "Principles of Neurodynamics". Los Perceptrones son redes de propagación hacia adelante basados en unidades binarias. En una formasencilla, el Perceptrón consta de una capa de entrada de n elementos, dichas entradas, se propagarán a una capa de m unidades actuadoras y de estas a una sola unidad de salida.

El objetivo de esta operación es aprender a dar una transformación dada usando muestras de aprendizaje, con entrada x y su correspondiente salida y. En la definición original la actividad de las unidades actuadoras puede sercualquier función f de la capa de entrada, pero el procedimiento de aprendizaje sólo ajusta las conexiones de la unidad de salida. La razón para esto es que no hay una fórmula para encontrar el ajuste de conexiones entre la capa de entrada y la función f. La unidad de salida de un Perceptrón es un elemento lineal o elemento de umbral, el cual se adecua a la siguiente regla:

Perceptrón con dosentradas, cada entrada es multiplicada por el peso W correspondiente, y los resultados son sumados, siendo evaluados contra el valor de umbral, si el resultado es mayor al mismo, el perceptrón se activa.

3.- Arquitectura de Red

Se trata de una red neuronal artificial formada por múltiples capas, lo que le permite resolver problemas con no son linealmente separables.

Las capas del...