REDES NEURONALES ARTIFICIALES

Están inspiradas en las redes neuronales biológicas del cerebro humano. Están constituidas por elementos que se comportan de forma similar a la neurona biológica en sus funciones más comunes. Estos elementos están organizados de una forma parecida a la que presenta el cerebro humano. Las ANN al margen de "parecerse" al cerebro presentan una serie de características propias del cerebro. Por ejemplo las ANN aprenden de la experiencia, generalizan de ejemplos previos a ejemplos nuevos y abstraen las características principales de una serie de datos.

Modelos

BIOLOGICOS

Tratan de simular los sistemas neuronales biologicos, asi como las funciones auditivas o algunas funciones basicas de la vision.

Hodgkin-Huxley

describe como se inician y transmiten los potenciales de accion en las neurinas.
-Alan Lloyd Hodgkin Y Andrew Huxley

McCulloch & Pitts

es una unidad de cálculo que intenta modelar el comportamiento de una neurona "natural", similares a las que constituyen del cerebro humano. Ella es la unidad esencial con la cual se construye una red neuronal artificial.

Liquid State Machine(LSM) by Maass

es un modelo o sistema de aprendizaje automático que forma parte de una serie de modelos de redes neuronales particulares. Estos modelos se basan en diseños tradicionales para introducir formas nuevas e innovadoras de procesar la información.

Adaptive exponential integrate-and
-Fire Model by Brette & Gerstnetl

Es un modelo de neurona spiking con 2 variables, 1 con potencial de menbrana y otra ligada con voltaje.
-Izhikevich

DIRIGIDO A APLICACIÓN

Su arquitedtura esta fuertemente ligada a las necesidades de las aplicaciones para la que es diseñada.

ADALINE

es un tipo de red neuronal artificial desarrollada por el profesor Bernard Widrow y su alumno Ted Hoff en la Universidad de Stanford en 1960. El modelo está basado en la Neurona de McCulloch-Pitts.

Back
Programation

El algoritmo de backpropagation determina la culpa del error, calculando las derivadas parciales de la función de coste con respecto a cada una de las variables.

Maquinas
de Boltzmann

Reconocimiento de patrones (Imagenes, Sonar Y Radar).
Optimizacion.
-Jeffrey Hinton
-Terry Sejnowski
-Harold Szu

Perceptron

Reconocimiento de caracteres impresos.
-Frank Rosenblatt

Tipologias

Existen varios tipos de redes neuronales, como son las monocapa o perceptrón simple, perceptrón multicapa (MLP), convolucionales (CNN), redes neuronales recurrentes (RNN), de retroalimentación o redes de base radial (RBF).

Monocapa

La red neuronal monocapa se corresponde con la red neuronal más simple, está compuesta por una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan los diferentes cálculos.

Perceptron
Simple

Consta de una red con una capa de salida de n neuronas y otra de salida con m neuronas. Utiliza señales binarias, tanto de entrada como de salida de las neuronas y su función de activación es de tipo signo

Perceptron
Multicapa (MLP)

es una red neuronal artificial formada por múltiples capas, de tal manera que tiene capacidad para resolver problemas que no son linealmente separables, lo cual es la principal limitación del perceptrón. El perceptrón multicapa puede estar totalmente o localmente conectado.

Convolucionales (CNN)

funcionan de manera opuesta al procesamiento de imágenes clásico basado en un algoritmo definido por humanos. Basándose en los datos de entrenamiento, la red neuronal convulacional extrae automáticamente características que luego se utilizarán para la clasificación de objetos

Redes Neuronales
Recurrentes (RNN)

No tiene una estructura de capas definida, sino que permiten conexiones arbitrarias entre las neuronas, incluso pudiendo crear ciclos, con esto se consigue crear la temporalidad, permitiendo que la red tenga memoria.

De Retroalimentacion
O Redes De Base Radial (RBF)

Las redes de base radial son un tipo de redes de neuronas artificiales que calculan la salida de la función en función de la distancia a un punto denominado centro. Al igual que con los perceptrones multicapa, sirven como aproximadores universales.

Capas de una red reuronal

Hay tres partes normalmente en una red neuronal : una capa de entrada, con unidades que representan los campos de entrada; una o varias capas ocultas; y una capa de salida, con una unidad o unidades que representa el campo o los campos de destino.