Redes neuronales artificiales
Click here to load reader
-
Upload
yulimar-parababire -
Category
Technology
-
view
214 -
download
1
Transcript of Redes neuronales artificiales
Universidad Santa María Decanato de Postgrado y Extensión
Especialización en Planificación y Evaluación EducativasRedes y Telecomunicaciones
REDES NEURONALES ARTIFICIALESREDES NEURONALES ARTIFICIALESModelos Supervisados y de Modelos Supervisados y de Entrenamiento CompetitivoEntrenamiento Competitivo
Yulimar Parababire
REDES NEURONALES REDES NEURONALES ARTIFICIALESARTIFICIALES
Las Redes Neuronales Artificiales (Artificial Neural Networks - ANNs) se constituyeron inicialmente como una simulación abstracta de los sistemas nerviosos biológicos formados por un conjunto de unidades llamadas neuronas o nodos conectados unos con otros. Las conexiones de estos nodos se asemejan a las dendritas y axones de los sistemas nerviosos biológicos.
MODELOS DE TIPO BIOLÓGICO
MODELOS DIRIGIDOS A APLICACIONES
MODELOS DE TIPO BIOLÓGICO
El objetivo de las redes neuronales de tipo biológico se constituye en desarrollar un elemento sintáctico que permita verificar las hipótesis correspondientes a los demás sistemas biológicos. Es decir, las redes neuronales de tipo biológico deben recibir y
procesar información de otros sistemas biológicos y devolver una respuesta de acción efectiva.
REDES NEURONALES DE APLICACIONES CONCRETAS
Toda aplicación de redes neuronales consta de dos fases: la fase de aprendizaje o entrenamiento y la
fase de prueba o funcionamiento directo. En la fase de entrenamiento se usa un conjunto de datos o patrones de entrenamiento para determinar los
pesos que definen el modelo neuronal. Este modelo una vez entrenado, se usará en la fase de
funcionamiento directo en la que se procesarán patrones de prueba que constituyen la entrada habitual de la red con el objetivo de analizar las
prestaciones definitivas de la misma.
TAXONOMÍA DE LOS MODELOS DE REDES NEURONALES
Modelos SupervisadosPerceptrón
Perceptrón Multicapa
Adaline-MadalineBackpropagation
Time Delay NNProbabilistic NN
Generelized Regresión NN
Modelos No Supervisados
Redes de Hopfield Mapas de Kohonen
Modelos Competitivos
Modelos SupervisadosPerceptrón Es un conjunto de neuronas no unidas
entre sí, de manera que cada una de las entradas del sistema se conectan a cada neurona, produciendo cada una de ellas su salida individual.
Perceptrón Multicapa
Como su nombre indica, se trata de unos cuantos (dos o tres) perceptrones de una sola conectados en cascada.
Adaline-MadalineADALINE que por sus siglas en inglés significa ADAptive LINear Element es un dispositivo que consta de un solo elemento de procesamiento, por lo que técnicamente no es una red.MADALINE (por sus siglas en inglés Multiple ADAptive LINear Element). Consta de una capa de ADALINES y una función de mayoría cuya respuesta binaria depende de las respuestas de las ADALINES.
Adaline
Madaline
Modelos Supervisados
BackpropagationEl principal defecto de este enfoque consiste en la búsqueda de la mejor arquitectura a través de prueba y error.
Time Delay NN
Red multicapa feddforward donde las salidas de cada capa están retenidas durante un tiempo, conectándose todas a la vez a la siguiente capa.
Probabilistic NN Red de tres capas, que en su forma estándar no entrena.
Generelized Regresión NN
Red que por lo general no necesita un entrenamiento iterativo, se utiliza en problemas de clasificación o estimación de variables continuas.
Modelos No SupervisadosRedes de Hopfield
Consiste de una red monocapa con N neuronas cuyos valores de salida son binarios 0/1 ó -1/+1. En la versión original del modelo Discrete Hopfield, las funciones de activación de las neuronas eran del tipo escalón.
Mapas de Kohonen
Consiste en una Red Neuronal de dos capas, la primera de las cuales es una capa de entrada y la segunda es una "capa de competición". Las células de ambas capas están conectadas entre sí, de tal forma que una célula de la capa de entrada conecta con las de la capa de competición.
Modelos No Supervisados
Modelos No Supervisados Competitivos
En los esquemas de aprendizaje competitivo, no existe garantía explicita sobre la estabilidad de los grupos de patrones de entrada durante el proceso de decrecimiento del factor de aprendizaje en las sucesivas iteraciones.
Características Fundamentales
Arquitectura
ProcedimientoAprendizaje
dWij= (-Wij+θi) × g(bj)
dt
g(bj) =1 si j ganadora0 en caso contrario
θi =Ii
ΣMj=1 Ij
Ecuaciones de Aprendizaje
Problemas- No es capaz de producir una codificación estable ante entradas arbitrarias.-Si se perturba la red con valores aleatorios y se vuelven a introducir los valores de entrada, puede producirse una respuesta incorrecta-Tiene una capacidad limitada de codificación en función de las dimensiones de la red.-Es necesario establecer a priori el número de categorías de la clasificación.
Modelos No Supervisados
Modelos No Supervisados Competitivos
En los esquemas de aprendizaje competitivo, no existe garantía explicita sobre la estabilidad de los grupos de patrones de entrada durante el proceso de decrecimiento del factor de aprendizaje en las sucesivas iteraciones.
Características Fundamentales
Arquitectura
ProcedimientoAprendizaje
dWij= (-Wij+θi) × g(bj)
dt
g(bj) =1 si j ganadora0 en caso contrario
θi =Ii
ΣMj=1 Ij
Ecuaciones de Aprendizaje
Problemas- No es capaz de producir una codificación estable ante entradas arbitrarias.-Si se perturba la red con valores aleatorios y se vuelven a introducir los valores de entrada, puede producirse una respuesta incorrecta-Tiene una capacidad limitada de codificación en función de las dimensiones de la red.-Es necesario establecer a priori el número de categorías de la clasificación.