Características de las Redes Neuronales
Upcoming SlideShare
Loading in...5
×
 

Características de las Redes Neuronales

on

  • 6,001 views

Características de las Redes Neuronales

Características de las Redes Neuronales

Statistics

Views

Total Views
6,001
Views on SlideShare
5,978
Embed Views
23

Actions

Likes
1
Downloads
147
Comments
0

2 Embeds 23

http://www.slideshare.net 22
http://www.slideee.com 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Características de las Redes Neuronales Características de las Redes Neuronales Presentation Transcript

  • Características de las Redes Neuronales
  • 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
  • Elementos de una red neuronal artificial.
  • Elementos de una Red Neuronal Artificial
    • TIPOS DE NEURONAS
    • Neuronas de entrada
    • Unidades ocultas
    • Neuronas de salida
  • Estructuras de redes neuronales artificiales.
  • 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
  • Unidades de proceso
  • Estado de Activación
    • Todas las neuronas tienen 2 posibles estados de activación
    • Reposo
    • Exitado
    • pueden ser continuos o discretos
  • 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
  • Ejemplos de Funciones de Transferencia
  • Funciones de Transferencia en Escalón
  • Funciones de Transferencia lineales
  • Funciones de Transferencia sigmoidales
  • 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
  • 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
  • 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
  • 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
  • Red Multicapa
  • 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
  • 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.
  • 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.
  • 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 .
  • Topologías de redes neuronales.
  • Redes de una sola capa Feedforward
  • 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.
  • Redes Multicapa Feedforward
  • 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).
  • Redes Competitivas
  • 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.
  • Red completamente Recurrente
  • 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.
  • Otra Red Recurrente
  • 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
  • Red Recurrente Simple
  • Dudas ???