MODELO DE NEURONA (Freeman, capt. 1) En este bloque haremos un transición de algunas ideas tomadas de la neurobiología a las estructuras idealizadas que, constituyen la base de la mayoría de los modelos de Redes Neuronales. " El modelo de Neurona y la arquitectura de una Red Neuronal, describen como la Red transforma sus entradas en las salidas. Todo esto, puede ser visto simplemente como una Computación." Los elementos individuales de cálculo que forman la mayoría de los modelos de sistemas neuronales artificiales, reciben el nombre de Elemento de Procesamiento. Una consideración importante a tener en cuenta, es que, dichos elementos no se tienen que comportar de igual manera que una neurona biológica, en ciertos casos, es mejor tomar elementos de procesado individuales como representantes de la actividad colectiva de un grupo de neuronas. X1 E l e m e n to J Wj1 f Entradas Salida Wj0 Wjr Xr Tendencia La figura anterior representa un Elemento simple de Procesamiento. Sobre ella podemos desglosar los siguientes elementos: Entradas: - Cada PE puede tener múltiples entradas (Computacionalmente representadas por números reales), pudiendo representar cada una de ellas propiedades diferentes. - Opcionalmente, a un PE se le puede añadir una entrada especial denominada Bias o Tendencia que contiene un valor constante. (permite en algunos casos mejorar el comportamiento del PE). - Las entradas a un PE puede ser de varios tipos. Este desglose, refleja el hecho consistente en que cada conexión de entrada puede tener varios efectos: Excitadora, Inhibidora, Ganancia, Disparo Fortuito, Amortiguamiento, etc. - El hecho de que las entradas se propagan a través del PE para producir una salida, se refiere a que el sistema es conocido como FeedForward. Conexiones o Pesos: Cada entrada a un PE (xi) tiene asociada a ella una conexión. Dicha conexión se representa por una magnitud denominada Peso o Intensidad de Conexión.(Wji: conexión entre la entrada i y el PE j). De esta forma, las entradas están ponderadas por un factor multiplicativo: El Peso. Los Pesos representan o se corresponden con la intensidad de las conexiones sinópticas ente neuronas. Función de Activación: - Cada PE determina un valor de entrada neto (basándose en las entradas y en las fuerzas de conexión asociadas a cada una de ellas). netai x j wij j 0 - Con el valor de la entrada neta, se calcula el valor de activación del PE: ai (t ) Fi ( ai (t 1), netai (t ) ) t-1: representa un paso temporal antes del instante t. - Es posible, en algunos casos, que el valor de activación dependa, además de la entrada neta del valor anterior de activación. Función de Salida: Una vez calculada la activación para un PE, se determina el valor de salida. Este se obtiene aplicando la función de salida o función de transferencia sobre la activación del PE. yi = fi(ai) yi = fi(netai) La función de transferencia actúa como un Limitador de Rango Dinámico. Tipos de Funciones de Transferencia (Usuales): Y 1 HARD-LIMITER X Y TRANSFERENCIA LINEAL X Y 1 FUNCION RAMP A 1 X Y X FUNCIONES SIGMOIDALES Y X