Documente Academic
Documente Profesional
Documente Cultură
Antes de comenzar este apartado, cabe decir que los seres vivos, sobre todo los
invertebrados y vertebrados inferiores, son organismos que, como se mencion en el
apartado anterior, al no poseer un cerebro en forma, sus clulas nerviosas agrupadas
en ganglios proporcionan un alto grado de especializacin. Ahora bien, en el campo
ingenieril y especficamente tratndose de las redes neuronales artificiales, se
pretende "crear" sistemas flexibles para la solucin de determinados problemas a
semejanza de los seres vivos, retomando el grado de especializacin y la "sencillez"
que presenta su sistema nervioso, lo cual, desde el punto de vista tecnolgico
implica un alto grado de dificultad logrando apenas pequeos resultados.
Una red neuronal artificial, "intenta ser" la representacin
matemtica de una red neuronal biolgica. Decimos que intenta
ser, porque dada la complejidad todava no resuelta del
funcionamiento del cerebro, todos los trabajos hasta ahora
desarrollados son muy burdos en comparacin de lo que
realmente es, esto es en gran parte debido a las limitantes
tecnolgicas actuales.
Modelar significa abstraer y simplificar a partir de caractersticas
generales reales. La elaboracin de modelos de neuronas y
circuitos de neuronas que intentan reproducir de una manera
plausible la arquitectura y funcionamiento del sistema nervioso
central, ha sufrido profundas transformaciones en su enfoque a lo
largo de la ltima dcada, sobre todo por los continuos avances de
la neurobiologa experimental.
En el modelo matemtico, las neuronas estn representadas como
elementos procesadores (EP), las rutas de entrada estn definidas
como las interconexiones, los procesos combinan las seales y la
salida generada es tratada por una funcin de transferencia de
naturaleza no lineal. La fuerza sinptica de cada conexin est
representada como un peso y el cambio en la fuerza sinptica lo
definimos como el aprendizaje de la red.
La arquitectura empleada para modelar una red neuronal, define
la configuracin para cada uno de los elementos bsicos indicados
anteriormente, en el que el paradigma de las redes neuronales
artificiales est caracterizado en cmo los algoritmos de
aprendizaje determinan el cambio de los pesos.
Elementos Procesadores
Un elemento procesador (EP), es un dispositivo simple, cuyo
funcionamiento trata de asemejar de una manera muy burda al
funcionamiento de una neurona biolgica. Aunque los detalles
EP de la capa de entrada
EP de la capa de salida
EP de la capa intermedia u oculta
Los EP de la capa de entrada slo reciben las seales de entrada desde fuentes
externas al sistema y sin procesarlas transmiten la seal a las capas siguientes,
presentando el esquema mostrado en la figura 3.2.
FA, FB, FC
a1 ... an
Seales de entrada
c1 ... cq
Seales de salida
a1 ... an
b1 ... bp
c1 ... cq
vnp
a)
b)
c)
d)
entonces
(3.7.b)
es decir
(3.7.c)
La funcin de transferencia es usada para convertir el valor de activacin de cada
EP en el valor de salida.
La mayora de las redes usan el valor de umbral en la
determinacin de la salida del EP, esto es debido a que el valor de
umbral determina cuando el EP se vuelve activo o inactivo, es
decir, excita o inhibe.
Salidai = f(sumi ) si sumi > i
Salidai = 0 para cualquier otro
valor
(3.8)
a)
b)
c)
Esquemas de interconexin entre EPs
Figura 3.7
Si la informacin fluye en una direccin, las conexiones son llamadas de
propagacin hacia adelante. La realimentacin permite que la informacin fluya
entre EP en ambas direcciones y/o recursivamente. En la figura 3.5 la
realimentacin entre capas est dada por una arquitectura de red neuronal de
Retropropagacin.
Reglas de Aprendizaje
Bibliografa
Mller, B. Reinhardt, J. "Neural Networks An Introduction". Springer-Verlag. Germany, 1991.
Dagli, Cihan. "Artificial Neural Networks for Intelligent Manufacturing". Chapman & Hall. Great
Britain, 1994.
Zurada, Jacek M. "Introduction to Artificial Neural Systems". West Publishing Company. USA,
1992.
Freeman, James A. & Skapura, David M. "Redes Neuronales. Algoritmos, aplicaciones y tcnicas
de programacin". Addison-Wesley / Diaz de Santos. Wilmington, Delaware. 1993.
Phillips, Dwayne. "The Backpropagation Neural Network". C/C++ Users Journal. Volume 14
Number 1. January, 1996.