MODELO DE NEURONA (Freeman, capt

MODELO DE NEURONA (Freeman, capt. 1)
En este bloque haremos un transición de algunas ideas tomadas de la
neurobiología a las estructuras idealizadas que, constituyen la base de la mayoría de los
modelos de Redes Neuronales.
" El modelo de Neurona y la arquitectura de una Red Neuronal, describen como
la Red transforma sus entradas en las salidas. Todo esto, puede ser visto simplemente
como una Computación."
Los elementos individuales de cálculo que forman la mayoría de los modelos de
sistemas neuronales artificiales, reciben el nombre de Elemento de Procesamiento. Una
consideración importante a tener en cuenta, es que, dichos elementos no se tienen que
comportar de igual manera que una neurona biológica, en ciertos casos, es mejor tomar
elementos de procesado individuales como representantes de la actividad colectiva de
un grupo de neuronas.
X1
E l e m e n to J
Wj1
f
Entradas
Salida
Wj0
Wjr
Xr
Tendencia
La figura anterior representa un Elemento simple de Procesamiento. Sobre ella
podemos desglosar los siguientes elementos:
Entradas:
- Cada PE puede tener múltiples entradas (Computacionalmente representadas
por números reales), pudiendo representar cada una de ellas propiedades diferentes.
- Opcionalmente, a un PE se le puede añadir una entrada especial denominada
Bias o Tendencia que contiene un valor constante. (permite en algunos casos mejorar el
comportamiento del PE).
- Las entradas a un PE puede ser de varios tipos. Este desglose, refleja el hecho
consistente en que cada conexión de entrada puede tener varios efectos: Excitadora,
Inhibidora, Ganancia, Disparo Fortuito, Amortiguamiento, etc.
- El hecho de que las entradas se propagan a través del PE para producir una
salida, se refiere a que el sistema es conocido como FeedForward.
Conexiones o Pesos:
Cada entrada a un PE (xi) tiene asociada a ella una conexión. Dicha conexión se
representa por una magnitud denominada Peso o Intensidad de Conexión.(Wji:
conexión entre la entrada i y el PE j).
De esta forma, las entradas están ponderadas por un factor multiplicativo: El
Peso.
Los Pesos representan o se corresponden con la intensidad de las conexiones
sinópticas ente neuronas.
Función de Activación:
- Cada PE determina un valor de entrada neto (basándose en las entradas y en
las fuerzas de conexión asociadas a cada una de ellas).
netai   x j wij
j 0
- Con el valor de la entrada neta, se calcula el valor de activación del PE:
ai (t )  Fi ( ai (t 1), netai (t ) )
t-1: representa un paso temporal antes del instante t.
- Es posible, en algunos casos, que el valor de activación dependa, además de la
entrada neta del valor anterior de activación.
Función de Salida:
Una vez calculada la activación para un PE, se determina el valor de salida. Este
se obtiene aplicando la función de salida o función de transferencia sobre la activación
del PE.
yi = fi(ai)
yi = fi(netai)
La función de transferencia actúa como un Limitador de Rango Dinámico.
Tipos de Funciones de Transferencia (Usuales):
Y
1
HARD-LIMITER
X
Y
TRANSFERENCIA LINEAL
X
Y
1
FUNCION RAMP A
1
X
Y
X
FUNCIONES SIGMOIDALES
Y
X