Tarea

ARQUITECTURAS NEURONALES

Se puede estructurar de diferentes formas:
Según el número de capas
Redes neuronales monocapas, Se corresponde con la red neuronal más sencilla ya que se tiene una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan diferentes cálculos.
Redes neuronales multicapa, Es una generalización de la anterior existiendo un conjuntode capas intermedias entre la entrada y la salida (capas ocultas). Este tipo de red puede estar total o parcialmente conectada.
Según el tipo de conexiones
Redes neuronales no recurrentes. En esta red la propagación de las señales se produce en un sentido solamente, no existiendo la posibilidad de realimentaciones. Lógicamente estas estructuras no tienen memoria.

Redes neuronalesrecurrentes.Esta red viene caracterizada por la existencia de lazos de realimentación. Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la misma capa o, más sencillamente, entre una misma neurona. Esta estructura estudia principalmente la dinámica de sistemas no lineales.
Según el grado de conexión
Redes neuronales totalmente conectadas. En este caso todas las neuronas de una capa seencuentran conectadas con las de la capa siguiente (redes no recurrentes) o con las de la anterior (redes recurrentes).
Redes parcialmente conectadas. En este caso no se da la conexión total entre neuronas de diferentes capas.
Estas estructuras neuronales se podrían conectar entre sí para dar lugar a estructuras mayores: estamos en el nivel de la mesoestructura. Esta conexión se puede llevar acabo de diferentes formas siendo las más usuales las estructuras en paralelo y jerárquicas. En la primera estructura se plantea un “consenso” entre las diferentes redes para obtener la salida mientras que en la estructura jerárquica existen redes subordinadas a otras que actúan como elementos centrales en la salida final de la red.[1]






ESTRUCTURA Y FUNCIONAMIENTO

[pic]

  s=f(Σ(wi*i))
Fig.2 Estructura de una red neuronal
La estructura de una neurona artificial es la siguiente:
En el esquema, 1 2 y 3 son los valores de entrada de la neurona, y w1, w2, w3 son los pesos de cada entrada. (3 en este ejemplo, pero puede ser otro número) El valor de salida de la neurona es el sumatorio de cada valor de entrada multiplicado por su peso correspondiente. La f (de función) indicaque no siempre se emplea el sumatorio directamente, sino que a veces se “ajusta” el valor para que esté comprendido entre un rango determinado (por ejemplo, de 0 a 16)
Una neurona artificial tiene dos modos de funcionamiento:
Las neuronas deben ser previamente entrenadas para reconocer patrones. Esto se hace de la siguiente manera: Se coloca como valores de entrada de la neurona el patrón aaprender (p.ej. usando la neurona del ejemplo, el patrón 1 1 0) y después se incrementan los pesos de las entradas “utilizadas”(en este caso la 1 y la 2, que son las que están a 1) y se decrementan los de las no utilizadas. Los valores de los pesos oscilan generalmente entre -1 y 1, aunque estos valores pueden ser otros. [2]
La velocidad a la que se ajustan esos pesos varía según el número de ejemploscon los que se vaya a entrenar a la red. Cuantos más ejemplos se le vayan a poner a la red, con mayor lentitud debe variar la tasa de aprendizaje. Puede parecer que cuanto más rápido se ajusten los pesos de las neuronas más rápido va a aprender a reconocer un determinado patrón, pero esto, que puede ser cierto a veces para una neurona, generalmente no lo es para una red neuronal con muchasneuronas. Además, incluso en el caso de una neurona sola, siempre es mejor poner muchos ejemplos con una tasa de aprendizaje lenta que no poner unos pocos con una tasa de aprendizaje rápida.
Una vez entrenada la neurona, se utiliza para reconocer ese patrón entre otros. Ahora basta con presentar un patrón a la neurona, que devolverá un valor dependiendo del patrón. Entonces, basta con interpretar el...