CARACTERISTICAS DE LAS REDES NEURONALES ARTIFICIALES

Existen cuatro aspectos que caracterizan una red neuronal:

Su topología, el mecanismo de aprendizaje, tipo de asociación realizada entre la información de entrada y salida, y la forma de representación de esta información.

1. TOPOLOGIA

La topología o arquitectura de las redes neuronales consiste en la organización y disposición de las neuronas en red formando capas o agrupaciones de neuronas. En este sentido, los parámetros fundamentales son: el número de capas, el número de neuronas por capa, el grado de conectividad y el tipo de conexiones entre neuronas. Según el tipo de conexión, las redes pueden clasificarse como de propagación hacia delante o hacia atrás.

2. MECANISMO DE APRENDIZAJE

El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada. Durante este proceso, los pesos de las conexiones de la red sufren modificaciones, por lo que se puede afirmar que este proceso ha terminado (la red ha aprendido) cuando los valores de los pesos permanecen estables.

El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se realiza mediante un metódico entrenamiento controlado por un agente externo, conocido como supervisor, que determina la respuesta que debería generar la red a partir de una entrada determinada. El supervisor comprueba la salida de la red y si ésta no coincide con lo que se quiere, se procede a modificar los pesos de las conexiones para conseguir que la salida obtenida se aproxime a la deseada.

En las redes con aprendizaje no supervisado no se requiere influencia externa para ajustar los pesos de las conexiones entre neuronas. La red no recibe ninguna información por parte del entorno que le indique si la salida generada es o no correcta, y por lo tanto existen varias posibilidades en cuanto a la interpretación de la salida de estas redes. Dentro de este método de aprendizaje se consideran dos tipos de aprendizaje: el aprendizaje Hebbiano y el aprendizaje competitivo o cooperativo.

3. TIPO DE ASOCIACIÓN REALIZADA ENTRE LA INFORMACIÓN DE ENTRADA Y SALIDALas redes neuronales artificiales (RNA) almacenan cierta información aprendida;

esta información se registra de forma distribuida en los pesos asociados a las conexiones entre neuronas de entrada y salida.

Existen dos formas de realizar la asociación entre la información de entrada y de salida. La primera se denomina heteroasociación, que se refiere al caso en el que la red aprende parejas de datos [(A1, B1), (A2, B2)… (An, Bn)], de tal forma que cuando se presente

cierta información de entrada Ai, la red deberá responder generando la correspondiente salida Bi.

La segunda se conoce como autoasociación, donde la red aprende cierta sin formaciones A1, A2…An, de tal manera que cuando se le presenta una información de entrada realizará una autocorrelación, respondiendo con uno de los datos almacenados, el más parecido al dato de la entrada.

Estos dos mecanismos de asociación de asociación dan lugar a dos tipos de redes neuronales: las redes heteroasosciativas y laas autoasociativas. Una red heteroasociativa es aquella que ejecuta cierta función, que en la mayoría de los casos no se puede expresarse analíticamente, entre un conjunto de datos de entrada y un conjunto datos de salida, correspondiendo a cada posible entrada una determinada salida. Por otra parte, una red autoasociativa es una red cuya principal misión es reconstruir una determinada información de entrada que se presenta incompleta o distorsionada, a la cual la red asignará la salida más parecida.

4. FORMA DE REPRESENTACIÓN DE ESTA INFORMACIÓN.Las RNA pueden representar la información de entrada y de salida de manera

diferente, con base en lo cual se pueden clasificar. En algunas redes tanto los datos de entrada como los de salida son de naturaleza analógica, cuando esto ocurre, las funciones de activación de las neuronas son continuas, de tipo lineal o sigmoidal. Mientras que otras redes sólo admiten entradas de valores discretos o binario