Este documento describe las características principales de las redes neuronales artificiales. Explica que una red neuronal está compuesta de neuronas de entrada, salida y ocultas conectadas por pesos. También describe diferentes tipos de arquitecturas como monocapa, multicapa y recurrentes, así como funciones como la de transferencia y reglas de aprendizaje que permiten a la red modificar sus pesos y mejorar.

1. Características de las Redes Neuronales

2. Características de las Redes Neuronales Elementos de una RN Estructuras de RNA Arquitectura de RNA Mecanismos de Aprendizaje Asociación entre la información de entrada/salida

3. Elementos de una red neuronal artificial.

4. Elementos de una Red Neuronal Artificial TIPOS DE NEURONAS Neuronas de entrada Unidades ocultas Neuronas de salida

5. Estructuras de redes neuronales artificiales.

6. Estructura de una RNA Unidades de procesamiento Estado de activación Patrón de conectividad Regla de propagación Función de transferencia Regla de activación Regla de aprendizaje Microestructura

7. Unidades de proceso

8. Estado de Activación Todas las neuronas tienen 2 posibles estados de activación Reposo Exitado pueden ser continuos o discretos

9. Función de Transferencia Cambia el estado de activación a una señal de salida Existen 4 funciones de transferencia Función escalon Función lineal y mixta Función sigmoidal Función gaussiana

10. Ejemplos de Funciones de Transferencia

11. Funciones de Transferencia en Escalón

12. Funciones de Transferencia lineales

13. Funciones de Transferencia sigmoidales

14. Conexiones entre Neuronas Cada neurona tiene asociado un peso Cada conexión entre neuronas esta ponderada por un peso Reglas de propagación Se utilizan matrices con los pesos de cada neurona

15. Regla de Propagación Donde: a: Es la salida de la red. Wij. Es la matriz de pesos. Pi. Es el patrón de entrada. B: Es el umbral de activación. F: es la funcion de transferencia

16. Regla de aprendizaje La modificación del comportamiento inducido por la interacción de con el entorno y como resultado de experiencias conducente al establecimiento de nuevos modelos de respuesta a estímulos externos. * El conocimiento representado en los pesos

17. Arquitectura de las Redes Neuronales Los parámetros fundamentales de la red son: Número de capas Número de neuronas por capa Grado de conectividad Tipo de conexiones entre neuronas

18. Red Multicapa

19. RedesMonocapa: l 1 l n l 2 Las redes monocapa se utilizan típicamente en en tareas relacionadas en lo que se conoce como autoasociación: por ejemplo, para regenerar informaciones de entrada que se presentan a la red incompletas o distorsionadas . P/ejemplo Hopfield, BSB, Learnig Matrix

20. Redes Multicapa: Redes con conexiones hacia delante (feedforward) Este tipo de redes son especialmente útiles en aplicaciones de reconocimiento o clasificación de patrones. En este tipo de redes, todas las señales neuronales se propagan hacia adelante a través de las capas de la red. No existen conexiones hacia atrás y normal- mente tampoco autorrecurrentes, ni laterales.

21. Redes con conexiones hacia adelante y hacia atrás (feedforward / feedback): En este tipo de redes circula información tanto hacia adelante como hacia atrás durante el funcionamiento de la red. Para que esto sea posible, existen conexiones feedforward y conexiones feedback entre las neuronas. P/ ejemplo: ART, BAM, CABAM.

22. Redes con conexiones hacia adelante y hacia atrás (feedforward / feedback) También existen algunas que tienen conexiones laterales entre neuronas de la misma capa. Estas conexiones se diseñan como excitadores (con peso positivo) o inhibidoras (con peso negativo), estableciendose una competencia entre las neuronas correspondientes .

23. Topologías de redes neuronales.

24. Redes de una sola capa Feedforward

25. Redes de una sola capa Feedforward Las unidades de entrada son fijadas y entonces la activación es propagada atraves de la red hasta que los valores de las unidades de salida son determinadas. La red actua como un vector de un funcion valuada tomando un vector enla entrada y regresando otro vector en la salida. Por ejemplo, las entradas pudieran representar las caracteristicas de un miembro de un grupo y la salida pudiera ser la prediccion de el grupo al cual pertenece dicha persona.

26. Redes Multicapa Feedforward

27. Redes Multicapa Feedforward Algunos problemas no se pueden solucionar con una red de unana capa, entonces una capa extra debe agregarse. La capa oculta permite a la red crear su propia representación de las entradas. Dadas sufientes unidades ocultas de la clase correcta es posible aproximar cercanamente arbitraria casi cualquiera. (Universal Approximation Theorem).

28. Redes Competitivas

29. Redes Competitivas Las redes competitivas son similares a las feedforward simples, excepto que las competitivas tienen conexiones usualmente negativas entre los nodos de salida. Debido a las conexiones anteriores lateraoles en los nodos de salida, estas tienden a competir para representar el patron de entrada actual. Las redes de esta clase ha sido usada para explicar la formación de mapas topologicos que ocurren en muchos sistemas sensoriales humanos incluidos la vision, audicion, tacto y gusto y olfato.

30. Red completamente Recurrente

31. Red completamente Recurrente Un conjunto de patrones es instantiated en las unidades una al vez. Como cada patron es instantiated los pesos son modificados. Una version degrada de uno de los patrones se presenta en la red para intentar reconstruir el patron.

32. Otra Red Recurrente

33. La Otra Red Recurrente Debido a que procesamiento en redes recurrentes depende del estado de la red en el ultimp paso que tuvo lugar para responder a la entrada actual en diferentes formas, dependiendo de las entradas previas. Por ejemplo Simple Recurrent Network (Elman) and the Jordan Network

34. Red Recurrente Simple

35. Dudas ???