Redes Neuronales

1.- Estructura de un sistema neuronal artificial Los tres elementos claves son: 1. Paralelismo de calculo 2. Memoria distribuida 3. Adaptabilidad al entorno

2.- Modelo de neurona artificial 2.1.- Modelo general Conjunto de entrada Pesos sinpticos de la neurona i son wij Regla de propagacin proporciona el valor del potencial postsinptico de la neurona i en funcin de sus pesos y entradas. Funcin de activacin , que proporciona el estado de activacin actual de la neurona i , en funcin de su estado anterior y su potencial sinptico. Funcin de salida , que proporciona la salida actual neurona i en funcin de su estado de activacin. de la

En resumen podemos expresar la operacin de la neurona i como:

Este modelo se inspira en la neurona biolgica, en el sentido de integrar una serie de entradas y proporcionar cierta respuesta.

2.2.- Entradas y salidas Las entradas y salidas son variables y van desde una aplicacin binaria hasta una continua. Un perceptrn multicapa (Modelo de Red neuronal artificial) admite ambas especificaciones. 2.3.- Regla de propagacin sta nos permite obtener el valor del potencial postsinptico en funcin de los pesos y entradas.

La funcin ms frecuente es un del tipo lineal

El peso sinptico nos informa sobre la intensidad de interaccin entre la neurona presinptica j y la postsinptica i. Si el peso es positivo excitar a la neurona postsinptica, si es negativo la inhibir. Adems se puede modelar la interaccin de otra manera que captura tambin alguna observacin de comportamiento y reaccin.

Denominada neurona de orden superior o neurona Sigma-pi. Otra regla de propagacin basada en distancias es la siguiente:

Representa la distancia entre el vector de entradas y el de pesos. Es posible usar distancias como la de Mahalanobis1. 2.4.- Funcin de activacin o funcin de transferencia Proporciona el estado de activacin actual a partir del potencial presinptico y del propio estado de activacin anterior.

La funcin de activacin se suele considerar determinista, montona2 creciente y continua, como se observa habitualmente en las neuronas biolgicas. A continuacin se presentan algunas funciones de especificacin. 1. Funcin identidad 2. Funcin escaln 3. Lineal en tramos 4. Sigmoidea 5. Gaussiana 6. Sinusoidal 2.5.- Funcin de salida Proporciona la salida global de la neurona en funcin de su estado de activacin actual. Frecuentemente la funcin de salida es la funcin identidad , por lo que el estado de activacin de la neurona se considera como la propia salida.

Es posible suponer que la funcin es de tipo escaln donde la neurona no responder hasta que pase cierto umbral. Otros modelos admiten funciones estocsticas como la mquina de Boltzman.

Es una medida de distancia que da una similitud entre dos variables aleatorias multidimensionales: Una funcin es montona (o istona) si conserva el orden dado.