REDES NEURONALES ARTIFICIALES 1
REDES NEURONALES
ARTIFICIALES
Veamos algo más directo, que información teórica se
encuentra ya a montones, y me parece que son más definiciones matemáticas,
veamos algo un poco más práctico.
A manera de introducción, se puede hacer referencia a la
neurona biológica, que como ya sabemos consta de tres partes principales, las
dendritas, el cuerpo celular de la neurona (soma) y el axón, funcionalmente la
neurona recibe información por las dendritas, la procesa en el cuerpo celular,
y la reacción se emite por el axón, dependiendo donde se encuentre la neurona,
trasmitirá esa información de salida a otras neuronas o a los músculos.
Haciendo una comparación funcional, con la electrónica, si quisiéramos
compararla con un circuito, si fuera analógico, podríamos hacerlo con un
amplificador sumador, y en el mundo digital, con cualquier procesador,
específicamente en nuestro caso podemos hacerlo con un PIC o cualquier otro
microcontrolador.
Como vemos en la figura, la sinapsis se realiza de la salida
del axón, a las dendritas de otra neurona, las cuales llevan la información al
cuerpo celular para procesarla, y transmitirla al axón nuevamente, lo cual
hacemos en todos nuestros circuitos, tenemos una(as) entrada(s), y una(s)
salida(s), el detalle es en como se procesa la información, implementando un
método de control común, podemos encontrarnos desde un algoritmo simple hasta
uno muy complejo, según sea la necesidad, pero utilizando una neurona o una red
neuronal, el algoritmo siempre será el mismo.
Ya habiendo visto las semejanzas, veremos como procesa la
información la neurona., para lo cual veremos como realiza su sinapsis.
Lo que tiene que hacer la neurona artificial es multiplicar
cada entrada por su respectivo peso, lo mismo que el peso umbral, que
normalmente su entrada es -1 (pero se puede utilizar otro valor, según sea el
caso, pero eso se vera más adelante), y sumar esos resultados, esa sumatoria se
llama la “regla de propagación”, ese resultado pasa a ser evaluado por otra
función que es la “función de activación” cuyo resultado es efectivamente la
salida de la neurona artificial, esta función de salida dependerá del tipo de
neurona que se utilice.
La regla de propagación más común, es la vista en la figura.
Como hemos visto, lo único que tiene que hacer nuestra
neurona es multiplicar y luego sumar, para luego aplicar una función a la
salida
FUNCION DE ACTIVACION
Veremos un cuadro de las más comunes.
|
|
FUNCION
|
RANGO
|
GRAFICA
|
|
IDENTIDAD
|
y = x
|
[-inf, +inf]
|
 |
|
ESCALON
|
y = signo(x)
y = H(x)
|
{-1,+1}
{0,+1}
|
 |
|
LINEAL A TRAMOS
|
-1, si
x<-1
y = x, si
-1<=x<=+1
+1, si
x>+1
|
[-1,+1]
|
 |
|
SIGMOIDEA
|
1
y = -------
1+e^(-x)
y = tgh(x)
|
[0,+1]
[-1,+1]
|
 |
|
GAUSSIANA
|
y = A.e^(-Bx^2)
|
[0,+1]
|
 |
