Visitas: 176  
Tiempo total: 3 días con 8:14:14 hrs  

Una red neuronal es el un conjunto de conexiones sinápticas ordenadas, estas conexiones son el resultado de la unión de las células emisoras de los impulsos nerviosos con una neurona. Las conexiones sinápticas ordenadas son producidas gracias a la unión de neuronas en regiones específicas debido a la migración neuronal, esta migración es el recorrido que hace la neurona desde que fue creada hasta su lugar de destino.

Red neuronal artificial

RNA o ANN – Artificial neuronal network – es un paradigma de aprendizaje inspirado en el sistema nervioso, que consiste en un conjunto de datos o eventos de entrada que tienen como objetivo producir una salida a través de los estímulos generados en un sistema de interconexión de neuronas. El objetivo de una red neuronal artificial es el aprendizaje automático.

Neurona

Son células del sistema nervioso que una vez alcanzan su edad adulta no pueden dividirse, su principal función es la respuesta eléctrica a los estímulos generados por las células emisoras, por ejemplo las fibras musculares.

Función de activación

La función de activación define la salida de un nodo dado un conjunto de entradas, es la representación básica a cómo funciona el perceptrón en una red neuronal artificial. Esta función se puede decir que es binaria, es decir que el resultado final debe ser de activación o no y para producir esto, se utiliza la función escalón.

Tipos de redes neuronales

  • Perceptrón: La primera de estas redes fue desarrollada en 1943 por Warren McCulloch y Walter Pitts. Consiste en un conjunto de entrada cuyos valores son multiplicados por cada enlace por valores aleatorios, el resultado final debe de ser comparado con un patrón preliminar y si es correcto el resultado debe de ser 1, si no debe de ser 0. Cuando se desarrollo se creía que podía computar cualquier tipo de función aritmética o lógica.
  • ADALINE: Su principal importancia fue su funcionamiento, que inspiro a la creación de otras redes neuronales. Su significado original es ADAptive LInear NEuron (Neurona Lineal Adaptiva), pero después cambio a Adaptive LInear Element (Elemento Lineal Adaptivo) debido al desinterés en la época a la inteligencia artificial y a que Adaline es un dispositivo con un único elemento de procesamiento, es decir que no puede ser una red neuronal. ADALINE puede resolver los mismos problemas que la red Perceptrón, pero la diferencia es la función de transferencia de tipo lineal en comparación con el limitador que utiliza la red Perceptrón.
  • Backpropagation: Basado en el algoritmo de propagación inversa para redes multicapa, se utilizo para poder superar la limitante de resolución de problemas linealmente separables que las redes de una sola capa tenían. Es una de las redes más utilizadas actualmente.
  • Aprendizaje asociativo: Son redes que son capaces de auto organizarse, debido a que cambian automáticamente los pesos en sus neuronas. En este tipo de red no es necesario indicar que respuesta es correcta o incorrecta. Debido a que estas redes no reciben información sobre que es correcto o no, los resultados generados son debido al algoritmo de aprendizaje que utilizan, identificando categorías, errores, irregularidades, correcciones entre otros de los datos ingresados.
  • Redes competitivas: En este tipo de redes, las neuronas o grupos de neuronas compiten y se ayudan entre sí para saber qué red deberá de quedar activada, y cuales deben de quedar totalmente anuladas. La competencia entre las neuronas ocurren en cada capa. El objetivo de este tipo de red es categorizar la información que se ingresa, es decir que la neurona que se active al final debe de ser de acuerdo a la categoría. Esta categorización debe de aprenderse, debido a que es una red de tipo no supervisada.
  • Redes recurrentes: Entre las redes recurrentes podemos mencionar las redes Hopfield, que funcionan con los fundamentos de control geométrico que se basa en la geometría diferencial. Otro tipo de red es la multicapa, en estas el valor de salida no cambia conforme el tiempo, pero adquiere un comportamiento dinámico al cambiar los valores de entrada, que converge a un valor estacionario. También se puede mencionar a la red Elman, que consiste en dos capas Backpropagation con la diferencia que la capa oculta tiene una salida que alimenta la misma capa oculta, permitiendo reconocer patrones temporales o variables con el tiempo.

Redes Hopfield

Llamada así por su inventor John Hopfield, su estructura está conformada por unidades binarias, cuyos valores pueden ser 1 y 0, o bien 1 y -1. Su objetivo es alcanzar valores mínimos locales, requiriendo que los pesos sean simétricos para evitar un comportamiento caótico.

Perceptrón

Es una neurona básica que inspiro la red de inteligencia artificial perceptrón, básicamente permite separar elementos en un plano en grupos categorizados como deseados y no deseados. Estas neuronas pueden asociarse para poder solucionar problemas más complejos.

Una neurona biológica perceptrón, está compuesta por un canal de salida llamado axón y dendritas que opera como canal de entrada y funcionan como sensores, recopilando información del lugar donde se encuentran y reaccionando mediante sinapsis.

Redes feedfoward

Un sistema feedfoward es aquel que reacciona a los cambios a su entorno, manteniendo un estado concreto del sistema. Uno de los ejemplos más clásicos es la reacción del corazón cuando el cuerpo se encuentra corriendo. Este sistema funciona para actividades ya conocidas, pero para una acción nueva apenas podrá responder.

Las redes feedfoward multicapa consisten en un conjunto de capas, las cuales cada capa recibe y envía la información obtenida a la siguiente capa. También se debe de mencionar que las neuronas no están conectadas entre sí en cada capa, solo reciben y envían información a la siguiente capa.

Las redes feedfoward simple, son aquellas conformadas por una sola capa, cuyas neuronas no están conectadas entre sí y reciben la misma información. El resultado final será un valor binario reconocido como verdadero o falso.

Referencias

[http://es.wikipedia.org/wiki/Circuito_neuronal]
[http://es.wikipedia.org/wiki/Sinapsis]
[http://es.wikipedia.org/wiki/Migraci%C3%B3n_neuronal]
[http://es.wikipedia.org/wiki/Red_neuronal_artificial]
[http://es.wikipedia.org/wiki/Neurona]
[http://es.wikipedia.org/wiki/Funci%C3%B3n_de_activaci%C3%B3n]
[http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/General2.htm]
[http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/AntecedentesP.htm]
[http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/AntecedentesAd.htm]
[http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/AntecedentesB.htm]
[http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/AntecedentesAs.htm]
[http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/AntecedentesC.htm]
[http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/AntecedentesH.htm]
[http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/EstructuraM.htm]
[http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/EstructuraE.htm]
[http://es.wikipedia.org/wiki/Hopfield_(RNA)]
[http://es.wikipedia.org/wiki/Perceptr%C3%B3n]
[http://proton.ucting.udg.mx/~cheko/neu/pdf/mlp2.pdf]

0