Redes Neuronales: Tipología

para empezar a conocer un poco sobre las redes neuronales, nos pareció acorde presentarles los modelos y topologías  utilizadas que están documentadas en la literatura como se los mostramos a continuación.  según el patrón de funciones que presenta, según el aprendizaje que es capaz de aprender y según el tipo de información que sean capaces de procesar. recordemos también que existen muchas clasificaciones que se pueden utilizar, pero esta nos parece mas practica a la hora de entenderla y por eso nos pareció adecuado publicarla en nuestro blog.

Modelos

Existe una serie de modelos que aparecen en la mayoría de estudios académicos y la bibliografía especializada.

§  Perceptrón

§  Adaline

§  Perceptrón multicapa

§  Memorias asociativas

§  Máquina de Boltzmann

§  Máquina de Cauchy

§  Propagación hacia atrás (backpropagation)

§  Redes de Elman

§  Redes de Hopfield

§  Red de contrapropagación

§  Redes de neuronas de base radial

§  Redes de neuronas de aprendizaje competitivo

§  Mapas Autoorganizados (RNA) (Redes de Kohonen)

§  Crecimiento dinámico de células

§  Gas Neuronal Creciente

§  Redes ART (Adaptative Resonance Theory)

Topología

Una primera clasificación de las redes de neuronas artificiales que se suele hacer es en función del patrón de conexiones que presenta. Así se definen tres tipos básicos de redes:

§  Dos tipos de redes de propagación hacia delante o acíclicas en las que todas las señales van desde la capa de entrada hacia la salida sin existir ciclos, ni conexiones entre neuronas de la misma capa de red neuronal y su clasificacin

§  Monocapa. Ejemplos: perceptrón, Adaline.

§  Multicapa. Ejemplos: perceptrón multicapa.

§  Las redes recurrentes que presentan al menos un ciclo cerrado de activación neuronal. Ejemplos: Elman, Hopfield, máquina de Boltzmann.

Aprendizaje

Una segunda clasificación que se suele hacer es en función del tipo de aprendizaje de que es capaz (si necesita o no un conjunto de entrenamiento supervisado). Para cada tipo de aprendizaje encontramos varios modelos propuestos por diferentes autores:

§  Aprendizaje supervisado: necesitan un conjunto de datos de entrada previamente clasificado o cuya respuesta objetivo se conoce. Ejemplos de este tipo de redes son: el perceptrón simple, la red Adaline, el perceptrón multicapa, red backpropagation, y la memoria asociativa bidireccional.

§  Aprendizaje no supervisado o autoorganizado: no necesitan de tal conjunto previo. Ejemplos de este tipo de redes son: las memorias asociativas, las redes de Hopfield, la máquina de Boltzmann y la máquina de Cauchy, lasredes de aprendizaje competitivo, las redes de Kohonen o mapas autoorganizados y las redes de resonancia adaptativa (ART).

§  Redes híbridas: son un enfoque mixto en el que se utiliza una función de mejora para facilitar la convergencia. Un ejemplo de este último tipo son las redes de base radial.

§  Aprendizaje reforzado: se sitúa a medio camino entre el supervisado y el autoorganizado.

Tipo de entrada

Finalmente también se pueden clasificar las RNAs según sean capaces de procesar información de distinto tipo en:

§  Redes analógicas: procesan datos de entrada con valores continuos y, habitualmente, acotados. Ejemplos de este tipo de redes son: Hopfield, Kohonen y las redes de aprendizaje competitivo.

Redes discretas: procesan datos de entrada de naturaleza discreta; habitualmente valores lógicos booleanos. Ejemplos de este segundo tipo de redes son: las máquinas de Boltzmann y Cauchy, y la red discreta de Hopfield