Professional Documents
Culture Documents
Existen tres funciones de transferencia típicas que determinan distintos tipos de
neuronas:
Una función intermedia entre las dos primeras es la llamada función lineal a
tramos. El problema de estas dos últimas funciones es que no son derivables en
algunos puntos por lo que no puede aplicarse algunos algoritmos que utilizan la
derivada (como veremos posteriormente). Para paliar este problema, se utiliza una
aproximación a la función escalón (3ra) que es la función sigmoidea que ya es
derivable en todos sus puntos.
J
responde a las expresión f(x) = x. Se define un límite inferior è y otro
superior, Si la suma de las señales de entrada es menor que que è , la activación se
define como 0 o -1. Si la suma es mayor que , la activación es 1. Para valores de entrada
situada entre ambos límites, la activación se define como una función lineal de la suma de
las señales de entrada.
J
se utiliza cuando las salidas de la red son binarias. La salida de una
neurona se activa sólo cuando el estado de activación es mayor o igual que cierto valor
umbral que representa la mínima entrada total ponderada necesaria para provocar la
activación de la neurona.
J
es la más apropiada cuando se quiere como salida información
analógica. Con esta función, para la mayoría de los valores del estímulo de entrada
(variable independiente), el valor dado por la función es cercano a uno de los valores
asintóticos. La importancia de esta función es que su derivada es siempre positiva y
cercana a cero para los valores grandes positivos o negativos; además toma su valor
máximo cuando x es 0. Esto hace que se puedan utilizar las reglas de aprendizaje en las
cuales se usan derivadas. La expresión de esta función responde a la forma
£c
La red de Hopfield es una red monocapa, esto es, de una sola capa. Aunque
también se puede mostrar como una red bicapa de dos capas, la primera capa
seria una capa de sensores y la segunda capa será la capa donde se realiza el
procesamiento.
La red de Hopfield toma valores bipolares esto es, {-1,1}, sin embargo se pueden
usar también valores binarios {0,1}.
Esta red aprende usando la regla de hebb, esto es asociamos los pesos de las
sinapsis al Estado de las neuronas pre y postsinápticas. Los pasos para que la red
aprenda una lista de patrones son los siguientes:
Si la red de Hopfield es bipolar, {-1,1}, Las sinapsis que une las neuronas i, j
aprenderán de la siguiente manera:
Sea Ei = El estado de la neurona i de la capa de salida.
Pij = El peso actual asociado a la sinapsis que une la neurona i y la neurona j de la
capa de salida.
Ej = El estado de la neurona j de la capa de salida.
Pijnuevo = El peso actualizado.
N = el número de patrones de la lista de patrones.
c
ÿ
!""!
º
º
º
º
º