Fecha: 16
de Junio del 2015
Tema: Perceptrón
Multicapa
INTRODUCCIÓN
En el siguiente documento se dará a saber una de las clases
de redes de neuronas, como lo es el Perceptrón Multicapa.
El Perceptrón Multicapa es una descendencia del Perceptrón Simple, cuenta con la habilidad de aprender a partir de un conjunto de
ejemplos, aproximar, filtra ruidos en
los datos, esto es lo que lo hace que sea un modelo conveniente para
poder resolver problemas reales.
En la actualidad el Perceptrón Multicapa está desempeñando
un rol muy importante con respecto a la
resolución de problemas, esto sin duda alguna se debe a su capacidad como
aproximador universal, así como su fácil uso y su aplicabilidad.
MARCO TEÓRICO
ARQUITECTURA
DEL PERCEPTRÓN
La arquitectura del Perceptrón , llamada mapeo de patrones
(pattern-mapping), aprende a clasificar modelos mediante un aprendizaje
supervisado. Los modelos que clasifica suelen ser generalmente vectores con
valores binarios (0,1) y las categorías de la clasificación se expresan
mediante vectores binarios.
ARQUITECTURA DEL PERCEPTRÓN MULTICAPA
El perceptrón multicapa se identifica porque este tiene sus
neuronas agrupadas entre sí, cada capa la conforma un conjunto de neuronas
entre ellas se tienen 3 capas deferentes:
- Capa de Entrada
- Capas Ocultas
- Capa de Salida
En el caso de las neuronas de entrada solo se encargan
exclusivamente de recibir las señales y
extender dichas señales a las demás neuronas de la capa siguiente.
Las neuronas de las capas ocultas cumplen un procesamiento
no lineal de los patrones recibidos.
Las conexiones de Perceptrón Multicapa siempre van hacia
adelante nunca hacia atrás, es decir las neuronas de una capa constantemente se
conectan con las neuronas de la siguiente capa.
La última capa funciona como la salida de la red, aportando
al exterior la respuesta de la red hacia cada modelo de entrada. Las conexiones
entre las neuronas tienen un peso y también un umbral, en este caso el umbral
se le trata como una conexión más a la
neurona, esta entrada es constante e igual a 1.
CARACTERÍSTICAS
Una de sus características es que posee una arquitectura
para la resolución de problemas reales.
Tienen una capa de entrada y una capa de unidades
procesadoras que constituyen la capa de salida.
APRENDIZAJE EN EL
PERCEPTRÓN MULTICAPA
El objetivo principal del aprendizaje del perceptrón multicapa es
ajustar los parámetros de red: Pesos y Umbrales ya que se quiere que la
entradas produzcan las salidas deseadas.
Se evalúa el error cuadrático.
Se implementa las reglas para la modificación de pesos y umbrales:
Se calculan los valores para todas las neuronas de la capa
de salida.
Se calcula para el resto de neuronas, empezando por la
última capa oculta y terminando en la capa de entrada.
Se modifica los pesos y umbrales.
CONCLUSIONES
El perceptrón tiene una capa de datos, dándole paso a la
siguiente capa para de esa manera dar respuestas acertadas con respecto a las variables
de entrada en base al aprendizaje.
El perceptrón multicapa a pesar de ser una de las redes más
utilizadas, no necesariamente es una de las más potentes ya que posee ciertas
limitaciones como es el caso del proceso de aprendizaje para problemas complejos.
BIBLIOGRAFÍA
Basogian, X. 2010. Redes neuronales
Artificiales y sus Aplicaciones. Tesis. Escuela Superior de Ingeniería de
Bilbao. (En Línea). Consultado el 22 de Junio, 2015. Formato PDF. Disponible
en: http://www.ciberesquina.una.edu.ve:8080/2014_2/350_E.pdf
Viñuela, P y Galván, I. 2004. Redes de Neuronas
artificiales. Un enfoque práctico. Pearson Education. Madrid. p 1-5.
Buena Información de mucha ayuda
ResponderEliminar