Taxonomía
de las Redes Neuronales
Existen dos fases en toda aplicación de las redes neuronales: la
fase
de aprendizaje o entrenamiento y la fase de prueba. En la
fase de entrenamiento, se usa un conjunto de datos o patrones de entrenamiento
para determinar los pesos (parámetros de diseño) que definen
el modelo neuronal. Una vez entrenado este modelo, se usará en la
llamada fase de prueba o funcionamiento directo, en la que se procesan
los patrones de prueba que constituyen la entrada habitual de la red, analizándose
de esta manera las prestaciones definitivas de la red.
-
Fase de Prueba: los parámetros de
diseño de la red neuronal se han obtenido a partir de unos patrones
representativos de las entradas que se denominan patrones de entrenamiento.
Los resultados pueden ser tanto calculados de una vez como adaptados iterativamente,
según el tipo de red neuronal, y en función de las ecuaciones
dinámicas de prueba. Una vez calculados los pesos de la red, los
valores de las neuronas de la última capa, se comparan con la salida
deseada para determinar la validez del diseño.
-
Fase de Aprendizaje: una característica
de las redes neuronales es su capacidad de aprender. Aprenden por la actualización
o cambio de los pesos sinápticos que caracterizan a las conexiones.
Los pesos son adaptados de acuerdo a la información extraída
de los patrones de entrenamiento nuevos que se van presentando. Normalmente,
los pesos óptimos se obtienen optimizando (minimizando o maximizando)
alguna "función de energía". Por ejemplo, un criterio popular
en el entrenamiento supervisado
es minimizar el least-square-error
(error cuadrático medio) entre el valor del maestro y el valor de
salida actual.
Las aplicaciones del mundo real deben acometer dos tipos diferentes de
requisitos en el procesado. En un caso, se requiere la prueba en tiempo
real pero el entrenamiento ha de realizarse "fuera de linea". En otras
ocasiones, se requieren las dos procesos, el de prueba y el de entrenamiento
en tiempo real. Estos dos requisitos implican velocidades de proceso muy
diferentes, que afectan a los algoritmos y hardware usados.
Atendiendo al tipo de entrenamiento, una posible taxonomía de
las redes neuronales es:
Redes
Neuronales
|
Fijo
|
No supervisado
|
Supervisado
|
|
Red de Hamming
|
Mapa de características
|
Basadas en decisión
|
|
Red de Hopfield
|
Aprendizaje competitivo
|
Perceptrón
|
| |
|
ADALINE (LMS)
|
| |
|
Perceptrón Multicapa
|
| |
|
Modelos Temporales Dinámicos
|
| |
|
Modelos Ocultos de Markov
|
Modelos Supervisados y no Supervisados
Contenido
Redes Neuronale Artificiales
Sobre este tutorial