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
0 comentarios:
Publicar un comentario