Herramienta Redes Neuronales Neural Networks with java Herramienta Redes Neuronales
Herramienta Redes Neuronales Neural Networks with java
       
 

 

Menu

Introducción
a las Redes Neuronales
API del
Marco de trabajo
Tutorial
Marco de
Trabajo
JRedesNeruonales
Downloads
Hompage
Marco de
trabajo

 

 


Estructuras de las Redes Neuronales Artificiales

Introducción

Las redes neuronales típicamente están formadas por una serie de capas de neuronas que están unidas entre si mediante sinapsis.
Las neuronas artificiales como unidades independientes no son muy eficaces para el tratamiento de la información y se agrupan en estructuras más grandes, las redes de neuronas artificiales o redes neuronales.

En este apartado veremos las estructuras más comunes que forman las neuronas para
formar redes. Para ello abordare el tema desde dos vistas distintas el número de capas y la forma de interconexión de las capas.

 

Niveles de Neuronas:

La distribución de neuronas dentro de la red se realiza formando niveles o capas de un número determinado de neuronas cada una. A partir de su situación dentro de la red se pueden distinguir tres tipos de capas:

De entrada: estas capas reciben la información desde el exterior.
De Salida: estas envían la información hacia el exterior
Ocultas: son capas que solo sirven para procesar información y comunicar otras Capas.

Según algunos autores, las capas de entrada y de salida no son validas para producir procesamiento, y son usadas solo como sensores. Tras plantearlo de diferentes modos nuestro marco de trabajo se ha diseñado de manera que puede usarse de las dos maneras, podemos usar las capas de entrada y salida para procesar o simplemente como sensores.



Forma de Conexión de las Capas:

Las neuronas se conectar unas a las otras usando sinapsis.
Si miramos más detenidamente observamos que estas uniones a nivel de capa forman distintas estructuras. Podemos distinguir varias como:


Unión Todos con Todos:

Consiste en unir cada neurona de una capa con todas las neuronas de la otra capa. Este tipo de conexionado es el más usado en las redes neuronales, se usa en todo tipo de uniones desde el Perceptron multicapa a las redes de Hopfield o BAM


Unión Lineal:

Consiste en unir cada neurona con otra neurona de la otra capa. Este tipo de unión se usa menos que el anterior y suele usarse para unir la capa de entrada con la capa procesamiento, si la capa de entrada se usa como sensor. También se usa en algunas redes de aprendizaje competitivo

 

Predeterminado:

Este tipo de conexionado aparece en redes que tienen la propiedad de agregar o eliminar neuronas de sus capas y de eliminar también conexiones.



Si establecemos un orden en las capas podemos establecer conexiones hacia delante, hacia atrás o conexiones laterales. Esto sirve para clasificar las redes en feedforward o hacia delante, no tienen ninguna conexión hacia atrás, y feedback o hacia atrás que si permiten este tipo de conexiones.

Las conexiones laterales son conexiones entre neuronas de la misma capa, este tipo de conexión son muy comunes en las redes mono capa. Si la red admite que las neuronas tengan conexiones a sí mismas se dice que la red es auto recurrente.


 

INDICE