Arquitectura de redes neuronales

Se denomina arquitectura a la organización y disposición de neuronas formando agrupaciones o capas que comparten características. La estructura de la red determina su comportamiento y está muy relacionada con el algoritmo utilizado para su entrenamiento.

A la hora de clasificar las redes en función de su topología se suele distinguir entre redes de una capa también llamadas monocapa y las que tienen más de una o multicapa.

a) Redes monocapa (Figura 23).

En este tipo de redes solamente tenemos una capa de nodos y por tanto las conexiones son laterales. También pueden existir conexiones de una neurona consigo misma (autorecurrentes).

parecido al de entrada. Generalmente se utilizan para filtrar o reconstruir las informaciones de entradas distorsionadas y para problemas de optimización. Una de las redes monocapas más conocida es la red de Hopfield[189].

Figura 23. Ejemplo de red monocapa.

b) Redes multicapa.

En las redes multicapa se distinguen tres tipos de capas; de entrada, de salida y ocultas. Una capa de entrada está compuesta por neuronas que reciben datos o señales procedentes del entorno. Una capa de salida es aquella cuyas neuronas proporcionan la respuesta de la red neuronal y una capa oculta es aquella que no tiene una conexión directa con el entorno. La función de la capa oculta es intervenir entre la entrada y la salida de la red. Añadiendo capas ocultas la red es capaz de extraer estadísticas de alto orden de tal forma que la red adquiere una perspectiva global a pesar de su conectividad local gracias a un conjunto extra de conexiones y la dimensionalidad extra de las interacciones neuronales proporcionada por las capas ocultas.

En las redes multicapa se distingue entre las redes que sólo tienen conexiones hacia delante y las que poseen, además, conexiones hacia atrás.

b.1) Redes con conexiones hacia delante (feedforward) (Figura 24).

x

y

x

x

x

Figura 24. Red multicapa con conexiones hacia delante.

Generalmente todas las neuronas de una capa reciben señales de entrada de otra capa anterior, más cercana a la entrada de la red, y envían las señales de salida a una capa posterior, más cercana a la salida de la red. Todas ellas son especialmente útiles en tareas de reconocimiento, clasificación de patrones y como aproximador de funciones. Las redes multicapa más conocidas son el perceptrón multicapa y el SOM (Self Organizing Map).

b.2) Redes con conexiones hacia atrás o retroconversiones o recurrentes (feedback) (Figura 25).

Las redes recurrentes se caracterizan en que al menos tienen un lazo de realimentación. En este tipo de redes circula información tanto hacia delante como hacia detrás durante el funcionamiento de la red. Las conexiones hacia detrás tienen un profundo impacto en la capacidad de aprendizaje de las redes y en su rendimiento. Más aún, los lazos de realimentación implican un comportamiento dinámico no lineal en virtud de las no linealidades de las neuronas. Esto juega un papel fundamental en el almacenamiento de información de este tipo de redes.

y

y

y

y

Algunas de las redes de este tipo tienen un funcionamiento basado en lo que se conoce como resonancia, de tal forma que las informaciones en la primera y segunda capa interactúan entre sí hasta alcanzar un estado estable. Ejemplos de redes recurrentes son ART y el Neocognitrón.

Figura 25. Red con conexiones hacia atrás.

3.4.5. CARACTERÍSTICAS.

Debido a su constitución y fundamentos, las redes neuronales artificiales presentan un gran número de características semejantes a las del cerebro[21].

a) No linealidad.

Una neurona es un elemento no lineal por lo que una interconexión de ellas (RN) también será un dispositivo no lineal. La no linealidad es una importante propiedad, particularmente si el responsable de la generación de los datos de entrada es no lineal.

b) Capacidad de establecer relaciones entrada-salida.

y

y

y

y

Una de las ramas principales de investigación en el campo de las redes neuronales es lo que se conoce como aprendizaje supervisado. La red en su proceso de aprendizaje establece la relación entre las entradas y las salidas de tal manera que, ante entradas desconocidas, es capaz de dar una respuesta “aproximada”.

Existen dos formas primarias de realizar esta asociación entre entrada y salida que se corresponden con la naturaleza de la información almacenada en la red.

Una sería la denominada heteroasociación que se refiere al caso en el que se relacionan parejas de datos, de tal forma que cuando se presente cierta información de entrada deberá responder generando la correspondiente salida asociada. Otra se conoce como autoasociación donde la red aprende ciertas informaciones de tal manera que cuando se le presenta una información de entrada realizará una autocorrelación respondiendo con uno de los datos almacenados, el más parecido al de entrada.

c) Adaptatividad.

La capacidad de aprendizaje adaptativo es una de las características más atractivas de las redes neuronales. Aprenden a llevar a cabo ciertas tareas mediante un entrenamiento con ejemplos ilustrativos. No es necesario que elaboremos modelos a priori ni necesitamos especificar funciones de distribución de probabilidad.

d) Tolerancia a fallos.

Las redes neuronales típicamente son sistemas de computación robustos o tolerantes a fallos. Esto es posible gracias a que las redes neuronales son sistemas que almacenan la información aprendida de forma distribuida en las conexiones entre

neuronas de esta forma se permite el fallo de algunos elementos individuales (neuronas) sin alterar significativamente la respuesta del sistema total.

e) Posibilidad de implementación en VLSI.

Una de las prioridades para la mayoría de las áreas de aplicación es la necesidad de realizar procesos con gran cantidad de datos de forma muy rápida. Las redes neuronales se adaptan bien a estos trabajos pues procesan en paralelo y tienen la posibilidad de implementación en silicio. Esta disposición permite que estos sistemas puedan ser aplicados como sistemas de cómputo en tiempo real.

f) Uniformidad de análisis y diseño.

En todos los dominios de aplicación de las redes neuronales se usa la misma notación, además todas la redes neuronales tienen como elementos básicos las neuronas por lo que es posible enunciar teorías conjuntas para los diferentes algoritmos y aplicaciones de las redes neuronales.