Tendencias de Desarrollo del Software Guía 20 – Redes Neuronales

Tendencias de Desarrollo del Software
Guía 20 – Redes Neuronales
76
Red Perceptrón
El Perceptrón es un tipo de red neuronal
artificial desarrollado por Frank Rosenblatt,
también
puede
entenderse
como
perceptrón la neurona artificial y unidad
básica
de
inferencia
en
forma
de discriminador lineal, que constituye este
modelo de red neuronal artificial, esto
debido a que el perceptrón puede usarse
como neurona dentro de un perceptrón
más grande u otro tipo de red neuronal artificial.
El concepto más básico que permite comenzar a entender un perceptrón es
asociarlo a un sensor, ya sea de temperatura, humedad, nivel de líquidos, grado
de acidez, coloración, densidad, etc. Es, en esencia, un dispositivo que, dada la
presencia de uno o varios fenómenos de entrada, permite representarlo(s)
mediante una señal de salida fácilmente reconocible
Perceptrón monocapa
El Perceptrón, al constar de una sola capa de entrada y otra de salida con una
única neurona, tiene una capacidad de representación bastante limitada, este
modelo sólo es capaz de discriminar patrones muy sencillos, patrones
linealmente separables, el caso más conocido es la imposibilidad del Perceptrón
de representar la función OR EXCLUSIVA.
Perceptrón multicapa
Un Perceptrón multicapa es una red con alimentación hacia delante, compuesta
de varias capas de neuronas entre la entrada y la salida de la misma, esta red
permite establecer regiones de decisión mucho más complejas que las de dos
semiplanos, como lo hace el Perceptrón de un solo nivel.
Red Backpropagation
La
propagación
hacia
atrás
de
errores o retropropagación (del
inglés backpropagation) es un algoritmo de aprendizaje supervisado que se usa
para entrenar redes neuronales artificiales. El algoritmo emplea un ciclo
propagación – adaptación de dos fases. Una vez que se ha aplicado un patrón a
la entrada de la red como estímulo, este se propaga desde la primera capa a
través de las capas superiores de la red, hasta generar una salida. La señal de
salida se compara con la salida deseada y se calcula una señal de error para cada
una de las salidas.
Mapas de Kohonen o LAM
Un mapa auto-organizado es un tipo de red neuronal artificial que es entrenada
usando aprendizaje no supervisado. Los mapas auto-organizados son diferentes
de otras redes neurales artificiales, en el sentido que estos usan una función de
vecindad para preservar las propiedades topológicas del espacio de entrada.
El modelo fue descrito por primera vez como una red neural artificial por el
profesor finlandés Teuvo Kohonen, debido a lo cual en ocasiones son llamadas
redes o mapas de Kohonen.
www.dariolara.com
Guía 20 – Redes Neuronales
Tendencias de Desarrollo del Software
73
Toplogía de una red
Una idea clara del proceso que genera una red neuronal artificial se muestra en
la siguiente figura, en donde puede observarse el recorrido de un conjunto de
señales que entran a la red.
Red monocapa
Típicamente una neurona tiene más de una entrada; en la siguiente figura se
observa una neurona con R entradas; las entradas individuales p1,p2,...,pR son
multiplicadas por los pesos correspondientes w1,1, w1,2,...w1,R pertenecientes
a la matriz de pesos W.
Red multicapa
Las redes multicapa son más poderosas que las redes de una sola capa.
Por ejemplo, una red de dos capas que tenga una función sigmoidal en la
primera capa y una función lineal en la segunda, puede ser entrenada para
aproximar muchas funciones de forma aceptable, una red de una sola capa no
podría hacer esto.
www.dariolara.com
Tendencias de Desarrollo del Software
Guía 20 – Redes Neuronales
74
Clasificacion de las RNA según topología
En general las redes neuronales se pueden clasificar de diversas maneras, según
su topología,

forma de aprendizaje (supervisado o no supervisado),

tipos de funciones de activación,

valores de entrada (binarios o continuos);
un resumen de esta clasificación se observa en la siguiente figura.
Red Hamming
La red de Hamming es uno de los ejemplo más simples de aprendizaje
competitivo, a pesar de ello su estructura es un poco compleja ya que emplea el
concepto de capas recurrentes en su segunda capa y aunque hoy en día en redes
de aprendizaje competitivo se ha simplificado este concepto con el uso de
funciones de activación más sencillas.
La red de Hamming representa uno de los primeros avances en este tipo de
aprendizaje, convirtiéndola en un modelo obligado de referencia dentro de las
redes de aprendizaje competitivo.
Las neuronas en la capa de salida de esta red compiten unas con otras para
determinar la ganadora, la cual índica el patrón prototipo más representativo en
la entrada de la red.
Esta red consiste en dos capas; la primera capa realiza la correlación entre el
vector de entrada y los vectores prototipo, la segunda capa realiza la
competición para determinar cual de los vectores prototipo está más cercano al
vector de entrada.
Red Hopfield
Una red de Hopfield es una forma de red
neuronal artificial recurrente inventada por John
Hopfield. Las redes de Hopfield se usan como
sistemas de Memoria asociativa con
unidades binarias: existe realimentación entre
las neuronas. De esta forma, al introducir un
patrón de entrada, la información se propaga
hacia adelante y hacia atrás, produciéndose una
dinámica.
www.dariolara.com
Guía 20 – Redes Neuronales
Tendencias de Desarrollo del Software
75
En algún momento, la evolución se detendrá en algún estado estable. En otros
casos, es posible que la red no se detenga nunca.
Las redes recurrentes deben cumplir tres objetivos:
1. Dado cualquier estado inicial, deben converger siempre a un estado
estable.
2. El dominio de atracción de cada estado estable debe estar
perfectamente delimitado y cumplir algún criterio de métrica (por
ejemplo, que el estado final sea el más cercano al inicial).
3. Debe poder tener cualquier número de estados estables.
La red de Hopfield fue diseñada en 1982.
Red Binaria Art
ART son las siglas en inglés de Teoría de la Resonancia Adaptativa (Adaptive
Resonance Theory), desarrollada por Stephen Grossberg y Gail Carpenter. Es un
modelo de red neuronal artificial que basa su funcionamiento en la manera en
que el cerebro procesa información y que describe una serie de modelos
de redes neuronales que utilizando métodos de aprendizaje supervisado y no
supervisado abordan problemas tales como el reconocimiento y la predicción de
patrones.
Diagrama de flujo de una red ART
www.dariolara.com
Tendencias de Desarrollo del Software
Guía 20 – Redes Neuronales
Guía 20 – Redes Neuronales
Tendencias de Desarrollo del Software
Bibliografía
• Redes Neuronales Artificiales. Fundamentos, Modelos y Aplicaciones. José
Ramón Hilera
Gonzalez y Victor José Martínez Hernando.
• Tutorial Redes Neuronales. Universidad Tecnológica de Pereira – Facultad de
Ingeniería
Eléctrica.
• Redes Neuronales. Algoritmos, Aplicaciones y Técnicas de Programación.
James A. Freeman
y David M. Skapura.
• Neural Networks. A Comprehensive Foundation. Simon Haykin.
• Pattern Recognition Using Neural Networks. Theory and Algorithms for
Engineers and
Scientists. Carl G. Looney.
• Neural Network Toolbox. For Use with MATLAB®. User’s Guide Version 4.
Howard
Demuth and Mark Beale. (PDF).
www.dariolara.com
www.dariolara.com