Unidad III Redes Neuronales Artificiales

3.1 Que es una Red Neuronal

Artificial?
Una Red Neuronal Artificial es un sistema compuesto por muchos
elementos simples de procesamiento denominados neuronas que operan
en paralelo e intentan interactuar con los objetos del mundo real del
mismo modo en que lo hace el sistema nervioso biolgico. La funcin de
la red neuronal artificial queda determinada por su estructura, la fuerza
de sus conexiones y el procesamiento llevado a cabo en los elementos
individuales o nodos.
El modelo ms bsico de una neurona artificial calcula una suma
ponderada de las entradas que recibe de otras neuronas y produce un 1
o un 0 dependiendo de si la suma supera o no un determinado umbral.
Matemticamente se expresa con la siguiente ecuacin:

1
 Unidad III Redes Neuronales Artificiales

Con relacin a la ponderacin de las entradas, los pesos Wij representan

la fuerza de la sinapsis entre la neurona i y la neurona j. Si no hay
sinapsis, el peso de la conexin es 0.
El nmero de neuronas que se conectan con la neurona i es representado
por N, y el umbral o sesgo de la neurona es representado por .
Cada neurona se comporta como un procesador dedicado utilizando su
propio juego de pesos y su propia funcin de activacin (en la prctica f()
se define por capa). La informacin de cmo resolver un problema se
encuentra diseminada y almacenada en los pesos.
Una RNA se entrena para una tarea especfica. Para ello, los datos
se dividen en datos de entrenamiento, de validacin y de prueba.

3.2 Qu se pretende?
Lo que se busca primordialmente no es imitar a las neuronas biolgicas,
sino lograr una mquina de computacin formada por la interconexin de
muchos elementos simples de clculo que posean propiedades que se
encuentran en el cerebro real. Por ejemplo:

Robustez
Procesamiento masivamente en paralelo
Aprender de la experiencia
Capacidad de generalizacin

3.3 Caractersticas de las redes

neuronales
Las redes de neuronas artificiales se caracterizan por:

1) La topologa
Es la forma en la que estn organizadas las neuronas en las capas

2
 Unidad III Redes Neuronales Artificiales

que forman la red. La topologa se caracteriza por: el nmero de

capas (monocapas o multicapas), el nmero de neuronas por capa
y el grado de conectividad entre las neuronas.

2) El mecanismo de aprendizaje
Es la forma en la que aprende la red neuronal. Puede ser:
supervisado o no supervisado. Ambos tipos pueden ser online
(entrenamiento continuo) u offline (entrenamiento y explotacin
separados).
3) El tipo de asociacin entre la informacin de entrada y salida
Se refiere a la correspondencia entre las entradas y las salidas.
Segn esto, las RNA pueden ser: a) Heteroasociativas (a cada
posible entrada le corresponde una determinada salida) y b)
Autoasociativas (asocia el dato ms parecido).

4) La forma en la que se representa la informacin de entrada y las

respuestas de salida

3.4 Tipos de neuronas

Existen 3 tipos de neuronas (las cuales estn agrupadas en capas y
conectadas en secuencia):

De entrada
Reciben estmulos externos del aparato sensorial.

Ocultas
Son las que se encargan de procesar la informacin.

De salida
Actan sobre las unidades de salida.

3
 Unidad III Redes Neuronales Artificiales

Neuronas de Neurona de
entrada salida

Neuronas
ocultas

3.5 Modelos de Redes Neuronales

3.5.1 Perceptrn
Perceptrn fue el primer modelo de red neuronal artificial desarrollado
puramente como hardware. Est formado por varias neuronas lineales
(sin aprendizaje) para recibir las entradas a la red y una neurona de
salida (con aprendizaje). Es capaz de decidir cundo una entrada
presentada a la red pertenece a una de las dos clases que es capaz de
reconocer. La nica neurona de salida del Perceptrn realiza la suma
ponderada de las entradas.
El Perceptrn separa las regiones por un hiperplano cuya ecuacin
queda determinada por los pesos de las conexiones y el valor umbral de
la funcin de activacin de la neurona. En este caso, los valores de los
pesos pueden fijarse o adaptarse utilizando diferentes algoritmos de
entrenamiento de la red.

4
 Unidad III Redes Neuronales Artificiales

El algoritmo de aprendizaje del Perceptrn es de tipo supervisado. El

Perceptrn no puede aprender a realizar cualquier tipo de clasificacin,
slo puede resolver problemas de primer orden. Esa limitacin se debe a
que un Perceptrn usa un separador lineal, con lo cual no es posible
realizar sino una sola separacin lineal (por un hiperplano).

3.5.2 Red de Hopfield

Es un modelo de red neuronal mono-capa recurrente que funciona como
memoria asociativa.

5
 Unidad III Redes Neuronales Artificiales

Sus caractersticas son:

Red monocapa con N neuronas.

Aprendizaje offline no supervisado.
Cada neurona de la red se encuentra conectada a todas las dems
(conexiones laterales) pero no consigo misma (W ii = 0).
Los pesos asociados a las conexiones entre pares de neuronas son
simtricos (Wij = Wji).
Activacin con suma ponderada Xi = f(Wij Xj).
Almacena aproximadamente 0.138 memorias por neurona.
El tamao de las memorias es igual a la cantidad de neuronas de la
red.
Aplicaciones: reconstruir versiones distorsionadas o parciales de
imgenes.

3.5.3 Red de Kohonen

Es un modelo de red neuronal con capacidad para formar mapas de

6
 Unidad III Redes Neuronales Artificiales

caractersticas topolgicas y/o semnticas.

Tiene las siguientes caractersticas:

Aprendizaje offline, no supervisado de tipo competitivo.

Las neuronas de la capa de salida compiten por activarse y slo
una de ellas permanece activa ante una entrada determinada.
Los pesos de las conexiones se ajustan en relacin a la distancia
con la neurona que haya resultado vencedora.
Aplicaciones: visualizacin, reduccin de dimensionalidad,
problemas de optimizacin.

3.5.4 Redes Convolucionales

Es un modelo de red neuronal conceptualmente basado en el cortex
visual de los mamferos. Tiene las siguientes caractersticas:

Red multicapa (5 o ms capas).

Intercala diversas funciones de activacin: convolucin, max-
pooling, reLu, etc.
Disposicin tridimensional de las neuronas.
Conectividad local en ciertas capas.
Pesos compartidos en ciertas capas.