Introduccion a las
Redes Neuronales Artificiales
(Segunda Parte —Final-)
‘D Gabriel. Gomez, M.Se. 5. IMPLEMENTACIONES DE
Ingenioro Electricista REDES NEURONALES
Profesor Auxilar ARTIFICIALES
Departamento de Electricidad
Universidad del Vale. Talcomose mencions.exstondos
tiposd redesnewronales-nstedes
rnuronales modeladasy la ees
neuronalestuncionales, Lasinple-
‘mentaciones para cada tiga son
‘uy diferentes (siendo bastants
rumerosas en cada caso) pot fo
‘ue se tratarén independiente.
rents
54. Redes neuronsles
modelndas.
Las implementaciones de ete tipo
redes, que tatan de emuar Tis
‘camente las redes neuronslosbio-
legieas, con bastante corpicadas
para explcaias en este artoul
intecucton, ya que para una sola
{ncn neurcnal (isin enlaretina
aucicin en le eciea, ete) debe
‘odelarsevarostipos daneuronas.
Y sus inincadae interconexones,
‘Ademis o iseno de este ipo do
redes exige conociniontos avan-
zados de la teoria de ciitos
Intogrados snalgices.
En este anticulo nos stares a
‘mencionar que sungue no sen
‘muches, se han implemeniad en
Ja practice algunos sistemas
‘euronaleslocales, conan do,
Tal como se meneions anterior.
‘mente, uno de los grupos de i
vestigacén lideres en este ipo de
disefios esel de CarverMaady sus
Calaboradores en CalTech, en Los
“Angeles, Calforia (USA), donde
‘5 han dsehsdo varios sistemas
om ol detectorde Movimenta, a
Retina Elecrnica, la Cécea yFa Nec gral una rama
‘Aunque hay un gran interés por
‘edestposdredes,oxpociamente
Por suimportanciaisclgicay pox
1 gran aporte que hacen ala
inwestgacién neuronal, su uid
Prética es muy poca (por ahora). y
las aplicaciones comeriles ape-
as estansurgendo, Poretarazén
‘2 le dedicard més espacio @ le
‘explcacén del or tipo de redes
‘neuroales: Las redes neuronales
fncenale,
52, Redes neuronaies
funcionales.
‘Modelo neuronal general
Las implomentaciones de redes
neuonales funcionales se basan
‘ensu gran mayoria en modelos de
laneurona tipica vista ena Fig 1
Elmodelo general mas ulizado so
musa en la Fig. 3.
En tte modelo, ls Wil son los
"pesos" qu parmiten is ponders:
‘én delas entradas Xi, Elvalerde
‘eslospesos se hace variable, para
permitiel"aprendaaje’delasneu-
ronas ali Variando los pasos en
forme dinémien, El subindice |=
‘dca la posibidad de varasion de
lospesoscon cada teracién en el
tempo, durante elaprendzaje. No
todsslasnouronasutitzads tonen
pesosvarables, eso depen de a
‘aplcactin de la red; en algunas
aplicaciones solosenscestan neu:
rongs con pesos predeterminados
(sinaprendizje).yenotassepue-
den combinar neuronas con pasos
‘jpscoi neuronazconpesos varia:
les
Le sali del sumadr,¥, 8 una
sua ponderada de las entradas,
Exist una gransimitusdelaparte
dol eircuto utizeda para obtener
Yiconiaimelementacneansnica
deuntitodgtaldorespusciafnta
al Impulso (Fro FIR); la Unica
dierencia es queen esto caso los
[esos son variables comme en un
fitro adaptative. Come enia neu:
rona bioligica ésta sua ponder
‘ada $@ oblione anaigicameri
0 logra_un modelo més exacto
usando crcuitos anelégizos, poco
tambin pueden utzaree valores
‘cuantiicados (decrtos) para los
XLy tos Wil permitiondo as la
ultzacién de exes cigtales
Funeién de Activacion
La funcion de activacion KY) pet-
mite obtener una sada smart
preducida por una. neurona blo:
lege, depenciondo dal valor de
YI. Laid os cbtoner un said
sere, oun puso, o una sriode
puleos moduiados en frecuencia,
{e acuerdo cone! modelo neuronal
que se dosoe obtener.
La funcién mas simple (Fi. 4) es
tn cuantiicador que reaiza ura
decision entre os valores + y -V
asi si Yj es mayor que un umnbral
redetarminado ia sala os =V;
Yles menor que olurba a al
28: Elevesito as! obtenido eo
‘modelo neuronal mae. simple,