1. Fundamentos de las Redes Neuronales Artificiales Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
2. Elementos de una Red Neuronal Artificial Unidades de Proceso: La neurona artificial Estado de activación Conexiónentre neuronas Función o regla de activación Función de salida o de transferencia Regla de Aprendizaje Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
3. Unidades de Proceso: La neurona artificial Si se tienen N unidades (neuronas), podemos ordenarlas arbitrariamente y designar la j-ésima unidad como Uj. Su trabajo es simple y único, y consiste en escribir las entradas de las células vecinas y calcular un valor de salida el cual es enviado a todas las células restantes. Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
4. Estado de activación Cada elemento del conjunto de unidades (neuronas) tiene asociado un valor que representa la activación de la unidad en un tiempo t. La activación de la unidad Ui en el tiempo t se designa por ai(t) y al vector de N números reales como A(t). A(t) = (a1(t), a2(t), … , ai(t), …., aN(t) ) Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
5. Función de salida o de transferencia… Entre las neuronas que forman una Red Neuronal existe un conjunto de conexiones que unen unas con otras. Cada unidad transmite señales a aquellas que están conectadas a su salida. Asociada a cada unidad Ui hay una función de salida fi(ai(t)) que transforma el estado actual de activación ai(t) en una señal de salida yi; es decir: yi=fi(ai(t)) Y(t) = (f1 ( a1(t)), f2( a2(t)), … , fi(ai(t)), …., fN(aN(t)) ) Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
6. Función de salida o de transferencia… Existen cuatro funciones de transferencia típicas que determinan distintos tipos de neuronas: Función escalón Función lineal y mixta Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
7. Función de salida o de transferencia… Existen cuatro funciones de transferencia típicas que determinan distintos tipos de neuronas: Función sigmoidal Función gaussiana Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
8. Conexión entre neuronas (regla de propagación) Las conexiones entre neuronas tienes asociado un peso. Sea yi el valor de salida de una neurona i en un instante dado. Cada conexión (sinapsis) entre la neurona i y la neurona j está ponderada por un peso wij. La entrada neta que recibe una neurona netj es la suma del producto de cada señal individual por el valor de la sinapsis que conecta ambas neuronas. Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
9. Función o regla de activación Así como es necesario una regla que combine las entradas a una neurona con los pesos de las conexiones, también es necesario una regla que combine las entradas con el estado actual de la neurona para producir un nuevo estado de activación. Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
10. Regla de Aprendizaje Biológicamente, se acepta que la información memorizada en el cerebro está más relacionada con los valores sinápticos de las conexiones entre las neuronas que con ellas mismas. En las redes neuronales artificiales, se puede considerar que el conocimiento se encuentra representado en los pesos de las conexiones entre neuronas. Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
11. Estructura de una Red Neuronal Artificial Niveles o capas de neuronas Formas de conexión entre neuronas Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
12. Niveles o capas de neuronas a) Conexiones hacia adelante (feedforward) b) Conexiones laterales c) Conexiones hacia atrás o recurrentes (feedforward / feedback) Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
13. Formas de conexión entre neuronas Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
14. Topología de las Redes Neuronales Redes Monocapa Redes Multicapa Redes con conexiones hacia adelante (feedforward) Redes con conexiones hacia adelante y hacia atrás (feedforward/feedback) Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
15. Mecanismo de Aprendizaje Redes con aprendizaje supervisado Aprendizaje por corrección de error Aprendizaje por refuerzo Aprendizaje estocástico Redes con aprendizaje no supervisado Aprendizaje hebbiano Aprendizaje competitivo y cooperativo Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
16. Tipo de Asociación entre las informaciones de Entrada y Salida Redes heteroasociativas Redes Autoasociativas Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
17. El Perceptron Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
18. El Perceptron Multinivel Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
19. Redes Adaline y Madaline Suma ponderada de las entradas. Wo indica el umbral. La red ADALINE se puede utilizar para generar una salida analógica utilizando un conmutador sigmoidal, en lugar de binario; en tal caso, la salida y se obtendrá aplicando una función tipo sigmoidal, como la tangente hiperbólica (tanh(s)) o la exponencial (1/1+ ). Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
20. La Red Backpropagation Redes heteroasociativas Redes Autoasociativas Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
21. La Red de Hopfield Redes heteroasociativas Redes Autoasociativas Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
22. Modelo de Resonancia Adaptativa (ART) Redes heteroasociativas Redes Autoasociativas Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
23. El Modelo de Kohonen Redes heteroasociativas Redes Autoasociativas Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
24. Redes Neuronales y Lógica Borrosa Redes heteroasociativas Redes Autoasociativas Universidad Juárez Autónoma de Tabasco División Académica de Ciencias Biológicas Redes Neuronales Artificiales
25. Listado de Software de Redes Neuronales Rochester Connectionist Simulator (implementa el algoritmo backpropagation) NeurDs PlaNet5.7 GENESIS (implementa el algoritmo backpropagation) CascadeCorrelation Simulator QuickProp (variación del algoritmo backpropagation) Aspirin/MIGRAINES NeuronalShell Xerion Neocognitron Simulator Multi-Module Neuronal Computing Environment (MUME) LVQ_PAK, SOM_PAK. SESAME Nevada Backpropagation FuzzyARTmap PYGMALION (implementa el algoritmo backpropagation) Matriz Backpropagation (implementa el algoritmo backpropagation) WinNN BIOSIM TheBrain FuNeGen 1.0 NeuDL- Neuronal Network DescriptionLanguage NeoC Explorer (implementación de Fukushima´sNeocognitron) SNNSv4.2.Win32-bin SprinN 2.5 xdemo32 Teruel Tiberius