Redes neuronales
Asignatura : Inteligencia Artificial
Tema: Redes neuronales artificiales
Lamia Hamdan Medina
Torreón, Coah., a 28 de octubre del 2009.
Elementos de una red neuronal
Cada neurona i-ésima esta caracterizada en cualquier instante por un valor numérico denominado valor o estado de activación ai(t). Esteestado se especifica por un vector de N números reales, donde cada elemento representa la activación de una unidad de tiempo t. Asociado a cada/unidad, existe una función de salida salida
f que transforma el estado actual de activación en una señal de
i
y
i
. Esta señal viaja a través de los canales de comunicación unidireccionales a otras unidades de la red.
En estos canales la señalse modifica de acuerdo con la sinapsis (el peso, ji) asociada a c/u ellos según una determinada regla. Las señales moduladas que han llegado a la unidad j-ésima se combinan entre ellas generando así la entrada total
w
net a la red, como se muestra en la siguiente figura.
j
Fig. 1.1 Representación de la entrada total de una unidad j-ésima.
Una función de activación
F determina elnuevo estado de activación aj(t+1) de la neurona, teniendo en cuenta la
entrada total calculada y el anterior estado de activación de la red) puede ser de dos tipos: Asíncrono y Síncrono. Estructura de una Red Neuronal Artificial: Unidad de procesamiento Estado de activación Patrón de conectividad ente neuronas Regla de propagación Función de transferencia Regla de activación Reglade aprendizaje Organización de la red: Número de niveles o capas Número de neuronas por nivel o capa Patrones de conexión Flujo de información
a (t). La actualización de los estados de las unidades (evolución
j
Dentro de la red neuronal se pueden distinguir tres tipos de capas o niveles (Fig. 1.2), de entrada, ocultas y de salida.
Fig. 1.2 Organización interna de una redneuronal multinivel con todas las conexiones hacia adelante.
Mecanismo de Aprendizaje
Aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada. Durante este proceso existe destrucción, modificación y creación de conexiones entre las neuronas. 1. Red neuronal con aprendizaje supervisado. El entrenamiento es controlado por un agente externo,el cual determina si la salida a la respuesta generada corresponde al resultado esperado, sino es así el agente modificará los pesos de las conexiones para que la salida se aproxime a la deseada. Existen tres tipos de aprendizaje supervisado: a) Aprendizaje por corrección de error Consiste en ajustar los pesos de las conexiones de la red en función de la diferencia entre valores deseados y losobtenidos en la salida, es decir, en función del error cometido en la salida.
Y1 wji Y2 Yn wji wjn
Unidad Uj
Yi
Valor de salida de la neurona
Fig. 1.3 Unidad j-ésima
Una regla o algoritmo simple de aprendizaje está dada por la siguiente ecuación:
Siendo:
: Variación del peso de la conexión ente las neuronas i y j ( Valor de la salida de la neurona i.
).
Valor de salidadeseado para la neurona j. Valor de salida obtenido para la neurona j. Factor de aprendizaje (0 < 1) que regula la velocidad del aprendizaje.
b) Aprendizaje por refuerzo. Es más lento que el anterior y se basa en la idea no disponer de un ejemplo completo del comportamiento deseado. En este tipo de aprendizaje la función del supervisor se asemeja a un crítico al indicar una señal de refuerzo, si lasalida obtenida en la red se ajusta a la deseada (+1 o -1) y en función de ello se ajustan los pesos. c) Aprendizaje estocástico Consiste en realizar cambios aleatorios en los valores de los pesos de las conexiones de la red y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidad. La idea es asemejar la red con un sólido físico que inicialmente presenta una alta...
Regístrate para leer el documento completo.