Hopfield
Estas se usan para situaciones probabilísticas, recurrentes que entrarían dentro de las memorias autoasociativas, aprendiendo a reconstruir los patrones de entrada que han memorizado durante el aprendizaje. Se trabajan con una capa de interconexión total, de adaptación probabilística y regla de aprendizaje no supervisado.
Estas dan soluciones dinámicas, las cuales en ocasiones no son muy recomendables, sin embargo, Hopfield busca la manera de entregar con una memoria de este tipo que sea capaz de entregar soluciones estables. Permite que el estado de cada neurona sea actualizado un número indefinido de veces, sin importar el resto de las neuronas de la red.
Consiste en un conjunto de N elementos de proceso interconectadas, los operadores de entrada son también salida y los valores de activación son binarios, los cuales determinarán el estado del sistema. Se dice que cuando este valor de activación es constante es estable.
El aprendizaje de las redes de Hopfield se hace en base a la regla de Cooper-Hebb, que depende la conexión de los patrones que se desean aprender. Según Redes Neuronales Artificiales, el entrenamiento se realiza de la siguiente manera:
- “Elegir un número de neuronas que cumpla el criterio del 15%.
- Codificar los ítems que queremos memorizar de forma que los patrones para representarlos se parezcan lo menos posible entre sí, para aproximarnos a la condición de pseudo-ortogonalidad.
Calcular los pesos de las conexiones según la regla de Cooper-Hebb”.
En la siguiente figura, tomada de Redes Neuronales Artificiales, se presenta el “modelo de Red de Hopfield de 3 unidades”:
