Perceptron

Learning Vector Quantization LVQ

Esta red es un híbrido que emplea tanto aprendizaje no supervisado, como aprendizaje supervisado para clasificación de patrones
En la red LVQ, cada neurona de laprimera capa es asignada a una clase, después cada clase es asignada a una neurona en la segunda capa. El número de neuronas en la primera capa, S1 debe ser mayor o al menos igual que el número deneuronas en la segunda capa, S2.
Al igual que con redes competitivas, cada neurona en la primera capa de la red LVQ aprende un vector prototipo, el cual permite a la neurona clasificar una región delespacio de entrada, sin embargo en lugar de calcular la distancia entre la entrada y el vector de pesos por medio del producto punto, la red LVQ calcula la distancia directamente. Una ventaja de hacerel cálculo de la distancia directamente, es que los vectores no necesitan ser normalizados, cuando los vectores son normalizados la respuesta de la red será la misma sin importar la técnica que seutilice.
Así, la neurona cuyo vector de pesos este cercano al vector de entrada tendrá salida 1 y las otras neuronas, tendrán salida 0; en este aspecto la red LVQ se comporta igual a las redescompetitivas, la única diferencia consiste en la interpretación, mientras que en las redes competitivas la salida no cero representa una clase del vector de entrada, para el algoritmo LVQ, índica mas bien unasub- clase, y de esta forma muchas neuronas (subclases), conforman una clase.

Modelo Hopfield

La red de Hopfield es una de las redes unicapas más importantes y ha influido en el desarrollo demultitud de redes posteriores.
Es una red autoasociativa no lineal que fue desarrollada por Hopfield en 1982 basándose en los modelos de redes de McCulloch y Pitts y los símiles de los camposmagnéticos con spin de Amit, Gutfreund, & Sompolinsky.


Arquitectura de la red de Hopfield
La red de Hopfield es una red monocapa, esto es, de una sola capa. Aunque también se puede mostrar como una...