Redes Neuronales Supervisadas

Las Redes Neuronales Supervisadas*
Por Pablo García Estévez
Dr. En Económicas y Empresariales por la Universidad Complutense de Madrid

*

Citar como: García Estévez, P. (2005)
Las redes neuronales
www.telefonica.net/web2/pgestevez/publicaciones.htm (Pend. De Publicación)

supervisadas.

Curso de Redes Neuronales

La neurona artificial

Redes Neuronales Supervisadas
1

LANEURONA ARTIFICIAL

Desde 1960 varios grupos de investigadores han intentado replicar el funcionamiento
de las neuronas biológicas en la resolución de problemas matemáticos y el resultado
ha sido la neurona artificial. Recordemos que la neurona biológica es un tipo de célula
especializada que recibe información de otras neuronas o de diversos órganos y la
procesa enviando el resultado a otrasneuronas. De la misma manera, la neurona
artificial recibe información de diversas fuentes, representadas por la letra X; así
tenemos desde X1 hasta XN. La información no le llega a la neurona en estado puro,
sino que es ponderada debido a que un tipo de información tendrá diferente
importancia respecto a otro. Por eso a la información Xi se le multiplica por un peso
designado por Wi.Lógicamente, si hay N puntos de información, habrá N pesos, uno
por cada punto de información. Todos estos conceptos están reflejados en la figura 1.
Al llegar a la neurona todos los datos de las informaciones, ponderados por sus
pesos, son sumados. Esto es lo que se denomina la Regla de Propagación. Podría
adoptar otras fórmulas pero, la más habitual es la simple suma de todas las entradas
ponderadasque toma el nombre de Potencial sináptico. Es decir, el resultado de la
regla de propagación elegida es denominado el potencial sináptico.
N

H i (t ) = ∑ X j × W j
j =1

Siendo
Hi(t) el potencial sináptico de la neurona i en el momento t.
Xj la entrada de datos procedentes de la fuente de información j.
Wj el peso sináptico asociado a la entrada Xj

X1
X2

W1
W2

N

H i (t ) =∑ X j × W j

Wj
Xj
XN
Entradas

Yi

j =1

WN
Regla de
propagación

Pesos

Función de
transferencia

Salida

Fig. 0.1 Esquema de una neurona artificial

Pablo García Estévez ® 2005

2

Curso de Redes Neuronales

La neurona artificial

Cuando el resultado de la regla de propagación supera un cierto número, denominado
umbral, entonces la neurona se activa y elnúmero resultante de la regla de
propagación se “introduce” en una función denominada Función de transferencia.
Esquemáticamente se podría representar de la siguiente manera:
Hi(t) > θ,

entonces f[Hi(t)]

Se puede escoger diferentes funciones para la función de transferencia Las cinco
funciones de transferencia típicas que determinan los distintos tipos de neuronas son:
1. Función lineal
2.Función escalón
3. Función Sigmoidea
4. Función Tangente Sigmoidea
5. Función Gaussiana

Fig. 0.2 Funciones de transferencia utilizadas en las
redes Neuronales. 1. Lineal; 2. Escalón; 3. Sigmoidea; 4.
Tangente Sigmoidea; 5. Gaussiana.

Pablo García Estévez ® 2005

3

Curso de Redes Neuronales

2
2.1

La Red Neuronal Artificial

LA RED NEURONAL ARTIFICIAL
La Red MLP

Unaneurona no tiene capacidad para realizar un proceso lógico, pero un conjunto de
ellas sí. Por tanto, las neuronas se agrupan para realizar trabajos de cálculo lógico en
redes. Las redes están compuestas de capas. Generalmente, una red neuronal típica
tendrá tres capas: una de entrada de datos, otra oculta donde se procesan los datos y
una tercera de salida de los resultados. Cada una de las capascontendrá un número
determinado de neuronas en función del diseño que haya decidido el analista y del tipo
de trabajo que vaya a realizar la red. Todas las neuronas que contiene una capa se
conectan con todas las neuronas de la siguiente capa. De esta manera, cuando una
neurona obtiene un resultado, lo envía a todas las neuronas de la capa siguiente.
Evidentemente ese resultado será...