Perceptrón
Para este caso, la neurona se representa como un sumador lineal, donde los operadores son los estímulos externos, seguido de una función F, que sería la función de activación.
En la figura, tomada de Redes Neuronales Artificiales, se muestra el modelo gráfico de este tipo:
Como se puede observar, para este caso cada entrada es multiplicada por un peso W y los resultados son sumados, siendo comparados contra un valor de umbral, si el resultado es mayor este se activa.
El Perceptrón consta de tres tipos:
· Perceptrón Unicapa: conjunto de neuronas conectadas entre sí, las cuales producirán una salida individual. Este, presenta tres formas de aprendizaje:
Supervisado: se presenta al sistema unas entradas las cuales corresponderán a la salida que se requiera que aprenda, permitiendo que la red calcule la salida para estas entradas, luego de conocer el error que comete, ajusta los pesos para que con una nueva entrada no continúe este error.
No Supervisado: únicamente se presenta la entrada y, en base a esta, emite una salida.
Por Refuerzo: en este caso, se combinan los tipos de aprendizaje tanto supervisados como no supervisados y continuamente se presenta a la red un estudio de cómo lo hace.
· Perceptrón Multicapa: como su nombre lo indica, se trata de dos o mas perceptrones unicapa conectados en cascada. La limitante de este esquema es su aprendizaje, ya que es difícil modificar los pesos de cada una de las capas, es por esto que se implementa el algoritmo BackPropagation, el cual tiene la función de propagar los errores en la capa de salida hacia atrás. Según la página Red Cientifica, el algoritmo de este es el siguiente:“Procediendo como en el algoritmo tradicional, encontrar el error de cada neurona de la segunda capa: Error en la segunda capa. Siendo igualmente C la salida correcta y P la calculada por el Perceptrón. En este tipo de algoritmo utilizaremos la función Sigmoide, que es diferenciable en todos sus puntos, de manera que podemos propagar el error hacia atras. + Propagamos el error de la segunda a la primera capa: Error en la primera capa. Vemos en esta última fórmula la derivada de la función sigmoide Saj * ( 1- Saj). + Recalculamos los pesos: Variación Nu es la razón de aprendizaje de la red, que debe estar entre 0 y 1 (un valor recomendado es de 0,35), y es lo rápido que aprende la red (la rapidez de ajuste de pesos). Un valor demasiado elevado puede llevar a errores”. El esquema de BackPropagation, tomado de Redes Neuronales Artificiales, es el siguiente:
