Computrónica

Archivo de la categoría ‘General’

El modo más sencillo de pasar el valor de una variable a un método se puede ver en el siguiente ejemplo: 

using System;class Parametros {

static void Main () {

int a = 2;

int b = 3;

int c = Suma (a, b);

Console.WriteLine (“{0} + {1} = {2}”, a, b, c);

}

static int Suma (int a, int b) {

return a + b; 

}

}

Se escriben el nombre de las variables a la hora de invocar el método, y cuando se define, la precedemos por su tipo. Así, al ejecutar el códi­go obtenemos: 

2 + 3 = 5

Las Redes Neuronales según su realidad biológica

Modelos de tipo biológico.

Modelo dirigido a aplicación.

Las Redes Neuronales según su topología

Perceptrón

Hopfield

Kohonen

Este es un esquema de red neuronal, el cual tiene la capacidad de crear mapas de características, se cree que estos se forman por genética o por aprendizaje. Tiene como objetivo la de demostrar que un estímulo externo es suficiente para formar dichos mapas. Maneja el aprendizaje no supervisado, presenta una arquitectura de capas y la dirección de la información es unidireccional. Con este tipo de redes se quiere clasificar los patrones de entrada en grupos de características similares, para así activar una única salida constantemente.

El aprendizaje, según Redes Neuronales Artificiales, se lleva a cabo de la siguiente manera:“Supongamos que tenemos patrones de entrada n-dimensionales.

1. Aleatorizar los pesos de las conexiones. Normalizar los pesos de las conexiones incidentes de cada   unidad de salida sobre la unidad: dividir cada conexión por la raíz cuadrada de la suma de los cuadrados de las conexiones de cada unidad. Normalizar igualmente los datos de entrada.
2. Aplicar un patrón de entrada.
3. Calcular alguna medida de similitud/disimilitud (producto interno, distancia euclídea o de Mahalanobis, etc.) entre las entradas y los pesos de las conexiones.
4. La unidad de salida con los pesos más parecidos al patrón de entrada es declarada ganadora. El vector de pesos de la unidad ganadora, se convierte en el centro de un grupo de vectores cercanos a él.
5. Modificar los pesos de los vectores de pesos Wj “cercanos” a Wc (distancia menor a D). De esta manera conseguimos que los vectores de pesos de la unidad ganadora y de su “vecindario” se parezcan cada vez más al patrón de entrada que hace ganar a esa unidad.
6. Repetir los pasos 1 a 4 con todos los patrones de entrada”.

Luego de que se lleva a cabo este aprendizaje, se puede usar esta red para clasificar los patrones de entradas en espacios n-dimensional. Una clase de patrones controlará una neurona específica, la cual representará el centro de la esfera n-dimensional, esta será la mas activa frente a los patrones mas parecidos a su vector de pesos.