Características de las Redes Neuronales

Existen cuatro aspectos que caracterizan una red neuronal: su topología, el

mecanismo de aprendizaje, tipo de asociación realizada entre la información de
entrada y salida, y la forma de representación de estas informaciones.
1. Redes Monocapa: Se establecen conexiones laterales, cruzadas o autorrecurrentes
entre las neuronas que pertenecen a la única capa que constituye la red. Se utilizan
en tareas relacionadas con lo que se conoce como autoasociación; por ejemplo,
para generar informaciones de entrada que se presentan a la red incompletas o
distorsionadas.
Redes Multicapa: Son aquellas que disponen de conjuntos de neuronas agrupadas
en varios niveles o capas. Una forma de distinguir la capa a la que pertenece la
neurona, consiste en fijarse en el origen de las señales que recibe a la entrada y el
destino de la señal de salida. Según el tipo de conexión, como se vio previamente,
se distinguen las redes feedforward, y las redes feedforward/feedback.
2. Topología de las Redes Neuronales. La arquitectura de las redes neuronales
consiste en la organización y disposición de las neuronas formando capas más o
menos alejadas de la entrada y salida de la red. En este sentido, los parámetros
fundamentales de la red son: el número de capas, el número de neuronas por capa,
el grado de conectividad y el tipo de conexiones entre neuronas.
3. Mecanismo de Aprendizaje. El aprendizaje es el proceso por el cual una red
neuronal modifica sus pesos en respuesta a una información de entrada. Los
cambios que se producen durante el proceso de aprendizaje se reducen a la
destrucción, modificación y creación de conexiones entre las neuronas, la
creación de una nueva conexión implica que el peso de la misma pasa a tener un
valor distinto de cero, una conexión se destruye cuando su peso pasa a ser cero. Se
puede afirmar que el proceso de aprendizaje ha finalizado (la red ha aprendido)
cuando los valores de los pesos permanecen estables (dwij / dt = 0).

Un criterio para diferenciar las reglas de aprendizaje se basa en considerar si la red

puede aprender durante su funcionamiento habitual, o si el aprendizaje supone la
desconexión de la red.
Otro criterio suele considerar dos tipos de reglas de aprendizaje: las de aprendizaje
supervisado y las correspondientes a un aprendizaje no supervisado, estas reglas dan
pie a una de las clasificaciones que se realizan de las RNA: Redes neuronales con
aprendizaje supervisado y redes neuronales con aprendizaje no supervisado. La
diferencia fundamental entre ambos tipos estriba en la existencia o no de un agente
externo (supervisor) que controle el aprendizaje de la red.

Redes con Aprendizaje Supervisado. El proceso de aprendizaje se realiza mediante

un entrenamiento controlado por un agente externo (supervisor, maestro) que
determina la respuesta que debería generar la red a partir de una entrada determinada.
El supervisor comprueba la salida de la red y en el caso de que ésta no coincida con la
 deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir
que la salida se aproxime a la deseada.
Se consideran tres formas de llevar a cabo este tipo de aprendizaje:
 Aprendizaje por corrección de error: Consiste en ajustar los pesos en fución de la
diferencia entre los valores deseados y los obtenidos en la salida de la red; es decir, en
función del error.
 Aprendizaje por refuerzo: Se basa en la idea de no indicar durante el entrenamiento
exactamente la salida que se desea que proporcione la red ante una determinada
entrada. La función del supervisor se reduce a indicar mediante una señal de refuerzo
si la salida obtenida en la red se ajusta a la deseada (éxito=+1 o fracaso=-1), y en
función de ello se ajustan los pesos basandose en un mecanismo de probabilidades.
 Aprendizaje estocástico: Este tipo de aprendizaje consiste básicamente 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

Otros conceptos:

Se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento

controlado por un agente externo (supervisor, maestro) que determina la respuesta
que debería generar la red a partir de una entrada determinada. El supervisor
comprueba la salida generada por el sistema y en el caso de que no coincida con la
esperada, se procederá a modificar los pesos de las conexiones.

En este tipo de aprendizaje se suelen distinguir a su vez tres formas de llevarlo a

cabo:

1. Aprendizaje por corrección de error : Consiste en ajustar los pesos de las

conexiones de la red en función de la diferencia entre los valores deseados y
los obtenidos en la salida. La formula para la corrección de los pesos podría
ser la siguiente:

Incr(wji) = ß yi (dj - yj)

siendo:
Incr(wji) : Variación en el peso de la conexión entre las neuronas i y j
yi : Salida de la neurona i
dj : Valor de salida deseado para la neurona j
yj : Valor de salida obtenido en la neurona j
 ß : Factor de aprendizaje (0 < ß <= 1) que regula la velocidad del aprendizaje

Algoritmos que utilizan este tipo de aprendizaje son:

 Regla de aprendizaje del perceptron: utilizada en la

red PERCEPTRON
 Regla delta o del mínimo error cuadrado: utilizado en las
redes ADALINE y MADALINE.
 Regla delta generalizada: utilizada en redes multicapa

2. Aprendizaje por refuerzo : este tipo de aprendizaje es más lento que el

anterior y se basa en la idea de no disponer de un ejemplo completo del
comportamiento deseado; es decir, de no indicar durante el entrenamiento la
salida exacta que se desea que proporcione la red ante una determinada
entrada. Aquí la función del supervisor se reduce a indicar mediante una señal
de refuerzo si la salida obtenida en la red se ajusta a la deseada (éxito = +1 o
fracaso = -1) y en función de ello se ajustan los pesos basándose en un
mecanismo de probabilidades.

Ejemplos de este tipo de algoritmos son el denominado Linear Reward-Penalty o LR-

P [Narenda 74] y el Adapative Heuristic Critic [Barto 83] utilizado en redes
feedforward de tres capas.

3. Aprendizaje estocástico : consiste básicamente en realizar cambios aleatorios

en los valores de los pesos y evaluar su efecto a partir del objetivo deseado y
de distribuciones de probabilidad. Un red que utiliza este tipo de aprendizaje
es la red Boltzman Machine, ideada por Hinton, Ackley y Sejnowski en 1984
y la red Cauchy Machine desarrollada por Szu en 1986.
4. En aprendizaje automático y minería de datos, el aprendizaje supervisado es
una técnica para deducir una función a partir de datos de entrenamiento. Los
datos de entrenamiento consisten de pares de objetos (normalmente vectores):
una componente del par son los datos de entrada y el otro, los resultados
deseados. La salida de la función puede ser un valor numérico (como en los
problemas de regresión) o una etiqueta de clase (como en los de clasificación).
El objetivo del aprendizaje supervisado es el de crear una función capaz de
predecir el valor correspondiente a cualquier objeto de entrada válida después
de haber visto una serie de ejemplos, los datos de entrenamiento. Para ello,
tiene que generalizar a partir de los datos presentados a las situaciones no
vistas previamente.