Existen cuatro aspectos que caracterizan una red neuronal:
su topología, el mecanismo de aprendizaje, tipo de asociación entre la
información de entrada y de salida, y la forma de representación de estas
informaciones:
Topología:
Consiste en la organización y disposición de las neuronas en
la red formando capas o agrupaciones de neuronas.
Los parámetros fundamentales de la red son: número de capas,
número de neuronas por capa, grado de conectividad y tipo de conexión entre
neuronas.
Al hacer una clasificación topológica de las RNAs se suelen
distinguir:
- Redes monocapa : se establecen conexiones laterales entre las neuronas que pertenecen a la única capa que constituye la red. Ejemplos de redes de este tipo son la rede HOPPFIELD y la rede BRAIN -STATE-IN-A-BOX. Las redes monocapa se utilizan típicamente en tareas relacionadas con lo que se conoce como autoa sociación; por ejemplo, para regenerar informaciones de entrada que se presenta como incompleta o distorsionada.
- Redes multicapa : disponen las neuronas agrupadas en varios niveles. Dado que este tipo de redes disponen de varias capas, las conexiones entre neuronas pueden ser del tipo feedforward (conexión hacia delante) o del tipo feedback (conexión hacia atrás).
Mecanismo de aprendizaje
El aprendizaje es el proceso por el cual una red neuronal
modifica sus pesos en respuesta a una información de entrada. Los cambios que
se producen durante la etapa de aprendizaje se reducen a la destrucción (el
peso de la conexión toma el valor 0), modificación y creación (el peso de la
conexión toma un valor distinto de 0) de conexiones entre las neuronas.
Podemos considerar que el proceso de aprendizaje ha
terminado cuando los valores de los pesos permanecen estables, es decir no se
produce variación temporal
dwi/dt=0
Un aspecto a tener en cuenta es el de determinar los
criterios de la regla de aprendizaje; cómo se van a modificar los pesos.
De forma general se consideran dos tipos de reglas:
- Aprendizaje supervisado
- Aprendizaje no supervisado
La diferencia entre ambos tipos estriba en la existencia o
no de una agente externo que controle todo el proceso.
Otro
criterio para diferenciar las reglas de aprendizaje se basa en considerar si la
red puede aprender durante su funcionamiento (aprendizaje ON LINE) o requiere de una fase previa de entrenamiento
(aprendizaje OFF LINE). En este
último debe existir un conjunto de datos de entrenamiento y un conjunto de
datos de test o prueba; igualmente los pesos de las conexiones no se modifican
después de terminar la etapa de entrenamiento de la red. En la red ON LINE los
pesos varían dinámicamente cada vez que se presente una nueva información al
sistema.
Tipo de asociación entre las informaciones de entrada y salida
Las redes neuronales son sistemas que almacenan cierta
información aprendida; esta se registra de forma distribuida en los pesos
asociados a las conexiones entre neuronas. Hay que establecer cierta relación o
asociación entre la información presentada a la red y la salida ofrecida por
esta. Es lo que se conoce como memoria asociativa.
Existen dos formas primarias de realizar esta asociación
entrada/salida y que generan dos tipos de redes:
- Redes Heteroasociativas : La red aprende parejas de datos [(A1,B1), (A2,B2),....(An,Bn)], de tal forma que cuando se le presente determinada información de entrada Ai responda con la salida correspondiente Bi. Al asociar informaciones de entrada con diferentes informaciones de salida, precisan al menos de 2 capas, una para captar y retener la información de entrada y otra para mantener la salida con la información asociada. Si esto no fuese así se perdería la información inicial al obtenerse la salida asociada; es necesario mantener la información de entrada puesto que puede ser necesario acceder varias veces a ella, por lo que debe permanecer en la capa de entrada. El aprendizaje de este tipo de redes puede ser con supervisión.
- Redes Autoasociativas : La red aprende ciertas informaciones A1, A2, .., An de forma que cuando se le presenta una información de entrada realizará una autocorrelación, respondiendo con uno de los datos almacenados, el más parecido al de entrada. Este tipo de redes pueden implementarse con una sola capa de neuronas. El tipo de aprendizaje utilizado habitualmente es el no supervisado y suelen utilizarse en tareas de filtrado de información para la reconstrucción de datos, eliminando distorsiones o ruido, explorar relaciones entre informaciones similares para facilitar la búsqueda por contenido en bases de datos y para resolver problemas de optimización
Representación de la información de entrada y
salida
- Redes contínuas :En un gran número de redes, tanto los datos de entrada como de salida son de naturaleza analógica (valores reales contínuos y normalmente normalizados, por lo que su valor absoluto será menor que la unidad). En este caso las funciones de activación de las neuronas serán también contínuas, del tipo lineal o sigmoidal.
- Redes discretas : Por el contrario, otras redes sólo admiten valores discretos [0,1] a la entrada, generando también en la salida respuestas de tipo binario. La función de activación en este caso es del tipo escalón.
- Redes híbridas : La información de entrada es contínua pero a la salida ofrecen información binaria.
