Redes Neuronales

Estos modelos de Inteligencia Artificial están inspirados en las redes neuronales biológicas.

Toda red neuronal artificial está constituida por neuronas:

Una red es de propagación hacia adelante (feedforward) cuando ninguna salida de las neuronas es entrada de neuronas del mismo nivel. Caso contrario, la red se conoce como de propagación hacia atrás.

Cada neurona tiene asociada una función de activación $f_i(t)$ que transforma el estado actual de activación en una señal de salida $y_i$. Esta función de transferencia puede ser:

$$\begin{array}{rl}{a}_i(t+1)& =F(a_i(t),ne{t}_i)\\ y_i(t+1)& =f(ne{t}_i-{\theta }_i)=f(\sum w_{ji}{y}_i(t)-{\theta }_j)\end{array}$$

Las funciones de transferencia básicas son las de escalón y de escalón mixta. Existen muchas otras.

En cada neurona se calculan los pesos $w_{ji}$ de las conexiones por el valor de las salidas $y_i$ de las neuronas que se conectan a ella. Dependiendo del valor del peso se puede decir que la interacción entre dos neuronas es:

• Inhibidora: si $w_{ji}<0$.
• Nula: si $w_{ji}=0$.
• Excitadora: si $w_{ji}>0$.

La red aprende modificando sus pesos. La regla de aprendizaje es el mecanismo que determina la correcta modificación de los pesos de las conexiones.

Modelos de redes neuronales:

• Perceptrón.
• Perceptrón Multicapa.
• Modelo de Hopfield.
• Self-Organizing Maps.