Características de las Redes Neuronales

6,575 views

Published on

Características de las Redes Neuronales

Published in: Education
0 Comments
3 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
6,575
On SlideShare
0
From Embeds
0
Number of Embeds
25
Actions
Shares
0
Downloads
186
Comments
0
Likes
3
Embeds 0
No embeds

No notes for slide

Características de las Redes Neuronales

  1. 1. Características de las Redes Neuronales
  2. 2. Características de las Redes Neuronales <ul><li>Elementos de una RN </li></ul><ul><li>Estructuras de RNA </li></ul><ul><li>Arquitectura de RNA </li></ul><ul><li>Mecanismos de Aprendizaje </li></ul><ul><li>Asociación entre la información de entrada/salida </li></ul>
  3. 3. Elementos de una red neuronal artificial.
  4. 4. Elementos de una Red Neuronal Artificial <ul><li>TIPOS DE NEURONAS </li></ul><ul><li>Neuronas de entrada </li></ul><ul><li>Unidades ocultas </li></ul><ul><li>Neuronas de salida </li></ul>
  5. 5. Estructuras de redes neuronales artificiales.
  6. 6. Estructura de una RNA <ul><li>Unidades de procesamiento </li></ul><ul><li>Estado de activación </li></ul><ul><li>Patrón de conectividad </li></ul><ul><li>Regla de propagación </li></ul><ul><li>Función de transferencia </li></ul><ul><li>Regla de activación </li></ul><ul><li>Regla de aprendizaje </li></ul>Microestructura
  7. 7. Unidades de proceso
  8. 8. Estado de Activación <ul><li>Todas las neuronas tienen 2 posibles estados de activación </li></ul><ul><li>Reposo </li></ul><ul><li>Exitado </li></ul><ul><li>pueden ser continuos o discretos </li></ul>
  9. 9. Función de Transferencia <ul><li>Cambia el estado de activación a una señal de salida </li></ul><ul><li>Existen 4 funciones de transferencia </li></ul><ul><li>Función escalon </li></ul><ul><li>Función lineal y mixta </li></ul><ul><li>Función sigmoidal </li></ul><ul><li>Función gaussiana </li></ul>
  10. 10. Ejemplos de Funciones de Transferencia
  11. 11. Funciones de Transferencia en Escalón
  12. 12. Funciones de Transferencia lineales
  13. 13. Funciones de Transferencia sigmoidales
  14. 14. Conexiones entre Neuronas <ul><li>Cada neurona tiene asociado un peso </li></ul><ul><li>Cada conexión entre neuronas esta ponderada por un peso </li></ul><ul><li>Reglas de propagación </li></ul><ul><li>Se utilizan matrices con los pesos de cada neurona </li></ul>
  15. 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. 16. Regla de aprendizaje <ul><li>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. </li></ul><ul><li>* El conocimiento representado en los pesos </li></ul>
  17. 17. Arquitectura de las Redes Neuronales <ul><li>Los parámetros fundamentales de la red son: </li></ul><ul><ul><li>Número de capas </li></ul></ul><ul><ul><li>Número de neuronas por capa </li></ul></ul><ul><ul><li>Grado de conectividad </li></ul></ul><ul><ul><li>Tipo de conexiones entre neuronas </li></ul></ul>
  18. 18. Red Multicapa
  19. 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. 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. 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. 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. 23. Topologías de redes neuronales.
  24. 24. Redes de una sola capa Feedforward
  25. 25. Redes de una sola capa Feedforward <ul><li>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. </li></ul><ul><li>La red actua como un vector de un funcion valuada tomando un vector enla entrada y regresando otro vector en la salida. </li></ul><ul><li>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. </li></ul>
  26. 26. Redes Multicapa Feedforward
  27. 27. Redes Multicapa Feedforward <ul><li>Algunos problemas no se pueden solucionar con una red de unana capa, entonces una capa extra debe agregarse. </li></ul><ul><li>La capa oculta permite a la red crear su propia representación de las entradas. </li></ul><ul><li>Dadas sufientes unidades ocultas de la clase correcta es posible aproximar cercanamente arbitraria casi cualquiera. (Universal Approximation Theorem). </li></ul>
  28. 28. Redes Competitivas
  29. 29. Redes Competitivas <ul><li>Las redes competitivas son similares a las feedforward simples, excepto que las competitivas tienen conexiones usualmente negativas entre los nodos de salida. </li></ul><ul><li>Debido a las conexiones anteriores lateraoles en los nodos de salida, estas tienden a competir para representar el patron de entrada actual. </li></ul><ul><li>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. </li></ul>
  30. 30. Red completamente Recurrente
  31. 31. Red completamente Recurrente <ul><li>Un conjunto de patrones es instantiated en las unidades una al vez. Como cada patron es instantiated los pesos son modificados. </li></ul><ul><li>Una version degrada de uno de los patrones se presenta en la red para intentar reconstruir el patron. </li></ul>
  32. 32. Otra Red Recurrente
  33. 33. La Otra Red Recurrente <ul><li>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. </li></ul><ul><li>Por ejemplo Simple Recurrent Network (Elman) and the Jordan Network </li></ul>
  34. 34. Red Recurrente Simple
  35. 35. Dudas ???

×