Redes Neuronales (Presentasión), Diapositivas de Electrónica

¡Descarga Redes Neuronales (Presentasión) y más Diapositivas en PDF de Electrónica solo en Docsity!

Escuela Politécnica

Nacional

Circuitos Electrónicos

Redes Neuronales

I N T E G RA N T E S : A N D R E A B U R G O S M A R I A L E J A N D RA C O N T R E RA S

Introducción

Las redes neuronales son un nuevo sistema para el tratamiento de la

información, cuya funcionalidad esta basada en el sistema nervioso humano

específicamente en la neurona.

Una neurona biológica entra en funcionamiento una vez que sus entradas

son estimuladas mediante procesos electroquímicos, de la misma manera lo

hace una neurona artificial.

Entonces, las redes neuronales deben cumplir las siguientes características:

capacidad de aprender, intercambiar información entre si y reconocer

patrones.

Representació n de una neurona Matemáticamente una n-ésima neurona representa un valor numérico, el cual es conocido como estado de activación ai(t) A este estado de activación se encuentra ligado una función de salida.

Evolución de estados de una

red neuronal

1. Asíncrono: cada neurona analiza su estado permanentemente.
2. Síncrono: la información que llega constantemente se analiza mediante un reloj interno.

Características

• (^) Topología.
• (^) Mecanismo de aprendizaje.
• (^) Tipo de asociación entre información de I/O.
• (^) Representación de la información.

Cuatro aspectos caracterizan a las redes neuronales:

Topología

Las redes neuronales son conjunto de neuronas o también conocidas como capas. Por lo que se puede clasificar a las redes neuronales como. o (^) Redes monocapa. o (^) Redes Multicapa.

Tipo de Asociación entre la

información de entrada y

salida

Las redes neuronales son un tipo de memoria que graba datos como consecuencia del aprendizaje de la red y que puede ser leído a la salida como respuesta a una entrada. Existen 2 tipo de tipos de mecanismos de asociación: ◦ (^) Heteros asociativas ◦ (^) Auto asociativas

El Perceptrón

Fue el primer modelo de red neuronal, y es del tipo hacia adelante. Desarrollado por el psicólogo Frak Rosenblatt, en el año de

Causó gran impacto debido a que era capaz de aprender y reconocer patrones simples

Regla de aprendizaje del

Perceptrón

La regla de aprendizaje del Perceptrón viene dada por la siguiente expresión: siendo: Donde: representa a la componente i-ésima del patrón de entrada. representa la variación del peso de representa la constante de proporcionalidad denominada tasa de aprendizaje representa la iteración de k

Modelo de Hopfield

Es una red autoasociativa no lineal que fue desarrollada por Hopfield en 1982 basándose en los modelos de redes de McCulloch y Pitts. Arquitectura. El modelo de Hopfield consiste en una red monocapa con N neuronas cuyos valores de salida son bipolares {-1,1} o binarios: 0/1 o -1/+1.

Aprendizaje

Esta red utiliza un aprendizaje no supervisado de tipo Hebbiano, de tal forma que el peso de conexión entre una neurona y otra se obtiene mediante el producto de los componentes i-esimo y j-esimo del vector que representa la información. Pijnuevo = Pij + Ej*Ei / N Ei = Estado de la neurona i de la capa de salida. Pij = Peso actual asociado a la sinapsis que une la neurona i y la neurona j de la capa de salida. Ej = Estado de la neurona j de la capa de salida. Pij nuevo = Peso actualizado. N = el número de patrones de la lista de patrones.