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

 

 


La neurona artificial como símil de la neurona biológica

Las neuronas artificiales son modelos que tratan de simular el comportamiento de las neuronas descritas en el apartado anterior 3. Cada neurona se representa como una unidad de proceso que forma parte de una entidad mayor, la red neuronal.

Como se ve la ilustración, dicha unidad de proceso consta de una serie de Entradas Xi, que equivalen a las dendritas de donde reciben la estimulación, ponderadas por unos pesos Wi , que representan como los impulsos entrantes son evaluados y se combinan con la función de red que nos dará el nivel de potencial de la neurona.
La salida de la función de red es evaluada en la función de activación que da lugar a la salida de la unidad de proceso.

Como se puede ver en la siguiente ilustración, La neurona artificial se comporta como la neurona biológica pero de una forma muy simplificada.


Por las entradas Xi llegan unos valores que pueden ser enteros, reales o binarios. Estos valores equivalen a las señales que enviarían otras neuronas a la nuestra a través de las dendritas.

Los pesos que hay en las sinapsis Wi, equivaldrían en la neurona biológica a los mecanismos que existen en las sinapsis para transmitir la señal. De forma que la unión de estos valores (Xi y Wi) equivalen a las señales químicas inhibitorias y excitadoras que se dan en las sinapsis y que inducen a la neurona a cambiar su comportamiento.

Estos valores son la entrada de la función de ponderación o red que convierte estos valores en uno solo llamado típicamente el potencial que en la neurona biológica equivaldría al total de las señales que le llegan a la neurona por sus dendritas. La función de ponderación suele ser una la suma ponderada de las entradas y los pesos sinápticos.

La salida de función de ponderación llega a la función de activación que transforma este valor en otro en el dominio que trabajen las salidas de las neuronas.
Suele ser una función no lineal como la función paso o sigmoidea aunque también se usa funciones lineales

El valor de salida cumpliría la función de la tasa de disparo en las neuronas
biológicas. Suele ser la función identidad aunque hay sistemas en que no es así pero estos sistemas sobrepasan el nivel de esta introducción así que nos quedamos con lo más sencillo suponemos que la salida devuelve la identidad

A modo de resumen esta lista expresa todos los símiles que usamos:

Neuronas Biológicas Neuronas Artificiales
Conexiones sinápticas Conexiones ponderadas
Efectividad de las sinapsis Peso de las conexiones
Efecto excitador o inhibidor de una conexión Signo del peso de una conexión
Efecto combinado de las sinapsis Función de propagación o de red
Activación -> tasa de disparo Función de activación -> Salida

 

 

 

INDICE