Redes Neuronales: Modelo

El modelo de Rumelhart y McClelland (1986) define un elemento de proceso (EP), o neurona artificial, como un dispositivo que a partir de un conjunto de entradas, xi(i=1...n) o vector x, genera una única salida y.

Esta neurona artificial consta de los siguientes elementos:

· Conjunto de entradas o vector de entradas x, de n componentes

· Conjunto de pesos sinápticos wij. Representan la interacción entre la neurona presináptica j y la postsináptica i.

· Regla de propagación d(wij,xj(t)): proporciona el potencial postsináptico, hi(t).

· Función de activación ai(t)=f(ai(t-1), hi(t)): proporciona el estado de activación de la neurona en función del estado anterior y del valor postsináptico.

· Función de salida Fi(t): proporciona la salida yi(t), en función del estado de activación.

Las señales de entrada y salida pueden ser señales binarias (0,1 – neuronas de McCulloch y Pitts), bipolares (-1,1), números enteros o continuos, variables borrosas, etc.

La regla de propagación suele ser una suma ponderada del producto escalar del vector de entrada y el vector de pesos:



También se usa a menudo la distancia euclídea entre ambos vectores:



Existen otro tipo de reglas menos conocidas como la distancia de Voronoi, de Mahalanobis, etc.