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.
La función de activación no suele tener
en cuenta el estado anterior de la neurona, sino sólo el potencial hi(t). Suele
ser una función determinista y, casi siempre, continua y monótona creciente.
Las más comunes son la función signo (+1 si hi(t)>0, -1 en caso contrario),
la función semilineal y las funciones sigmoides:
La función de salida suele ser la
identidad. En algunos casos es un valor umbral (la neurona no se activa hasta
que su estado supera un determinado valor).
Con todo esto, el modelo de neurona queda
bastante simplificado:
No hay comentarios:
Publicar un comentario