redes neuronales

Inteligencia Artificial
Practica 2. (5 semanas)
Rubén Cárdenes Almeida

Redes neuronales.
Introducción
Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa
que están formadas por elementos que se comportan de manera análoga a las neuronas
(en las funciones más elementales) y están organizadas de una forma similar a la del
cerebro, pero las analogías noson muchas más.
Las características fundamentales de las RNA son:
•

•

•

Aprenden de la experiencia: Las RNA pueden modificar su comportamiento
como respuesta a su entorno. Dado un conjunto de entradas (quizá con las salidas
deseadas), las RNA se ajustan para producir respuestas consistentes. Una amplia
variedad de algoritmos de entrenamiento se han desarrollado, cada uno con suspropias ventajas e inconvenientes.
Generalizan de ejemplos anteriores a los ejemplos nuevos: Una vez que la
RNA esté entrenada, la respuesta de la red puede ser, hasta un cierto punto,
insensible a pequeñas variaciones en las entradas, lo que las hace idóneas para el
reconocimiento de patrones.
Abstracción de la esencia de las entradas: Algunas RNA son capaces de
abstraer información de unconjunto de entradas. Por ejemplo, en el caso de
reconocimiento de patrones, una red puede ser entrenada en una secuencia de
patrones distorsionados de una letra. Una vez que la red sea correctamente
entrenada será capaz de producir un resultado correcto ante una entrada
distorsionada, lo que significa que ha sido capaz de aprender algo que nunca había
visto.

Redes de capa simple
A pesar deque una sola neurona puede realizar modelos simples de funciones, su mayor
productividad viene dada cuando se organizan en redes. La red más simple es la formada
por un conjunto de perceptrones a los que entra un patrón de entradas y proporcionan la
salida correspondiente. Por cada perceptrón que tengamos en la red vamos a tener una
salida, que se hallará como se hacía con un perceptrón solo,haciendo el sumatorio de
todas las entradas multiplicadas por los pesos. Al representar gráficamente una red, se

añade una "capa" inicial que no es contabilizada a efectos de computación, sólamente
sirve para distribuir las entradas entre los perceptrones. La denominaremos la capa 0.
De esta manera, la representación gráfica de una red de capa simple sería la siguiente:

Redes multicapaLas redes multicapa se forman por un conjunto de redes de capa simple en cascada unidas
por pesos, donde la salida de una capa es la entrada de la siguiente capa. Generalmente
son capaces de aprender funciones que una red de capa simple no puede aprender, por lo
que ofrecen mejores capacidades computacionales. Para que este incremento en poder
computacional sea tal, tiene que existir unafunción de activación no lineal entre las
capas, por lo que generalmente se utilizará una función de activación sigmoidea en
detrimento de la lineal o umbral.
Para calcular la salida de una red multicapa se debe hacer de la misma manera que en las
redes de capa simple, teniendo en cuenta que las salidas de una capa son las entradas de
la siguiente capa.:

Redes recurrentes: Las redes consideradashasta ahora no tienen conexiones entre pesos
de la salida de una capa a la entrada de la misma capa o anteriores. Las redes que poseen
esta característica son conocidas como redes recurrentes. Las redes recurrentes no tienen
memoria, es decir, la salida solamente está determinada por las entradas y los pesos. Las
capas recurrentes redireccionan previas salidas a entradas. Su salida esdeterminada por
su entrada y sus salidas previas, por lo que se puede asemejar a la memoria a corto plazo
de los seres humanos.

Software SNNS.
El SNNS (Stuttgart Neural Network Simulator) es un software de simulación para redes
neuronales desarrollado en el Institute for Parallel and Distributed High Performance
Systems de la Universidad de Stuggart. El objetivo del proyecto SNNS fue la...