Funciones De Transferencia

1.3 CARACTERISTICAS DE UNA RED NEURONAL ARTIFICIAL

1.3.2 Funciones de Transferencia: Un modelo más académico que facilita el estudio de una neurona, puede visualizarse en la figura 1.3.4

Figura 1.3.4 Neurona de una sola entrada

Las entradas a la red serán ahora presentadas en el vector p, que para el caso de una sola neurona contiene solo un elemento, w sigue representando los pesos y la nueva entrada b es una ganancia que refuerza la salida del sumador n, la cual es la salida neta de la red; la salida total está determinada por la función de transferencia , la cual puede ser una función lineal o no lineal de n, y que es escogida dependiendo de las especificaciones del problema que la neurona tenga que resolver; aunque las RNA se inspiren en modelos biológicos no existe ninguna limitación para realizar modificaciones en las funciones de salida, así que se encontrarán modelos artificiales que nada tienen que ver con las características del sistema biológico.

1.3.2.1 Limitador fuerte (Hardlim): La figura 1.3.5, muestra como esta función de transferencia acerca la salida de la red a cero, si el argumento de la función es menor que cero y la lleva a uno si este argumento es mayor que uno. Esta función crea neuronas que clasifican las entradas en dos categorías diferentes, característica que le permite ser empleada en la red tipo Perceptrón

(1.3.3)

Figura 1.3.5 Función de transferencia Hardlim

El icono para la función Hardlim reemplazara a la letra f en la expresión general, cuando se utilice la función Hardlim.

Una modificación de esta función puede verse en la figura 1.3.6, la que representa la función de transferencia Hardlims que restringe el espacio de salida a valores entre 1 y –1.

(1.3.4)

Figura 1.3.6 Función de transferencia Hardlims

1.3.2.2 Función de transferencia lineal (purelin): La salida de una función de transferencia lineal es igual a su entrada,

(1.3.5)

Figura 1.3.7 Función de transferencia lineal

En la gráfica del lado derecho de la figura 1.3.6, puede verse la característica de la salida a de la red, comparada con la entrada p, más un valor de ganancia b, neuronas que emplean esta función de transferencia son utilizadas en la red tipo Adaline.

1.3.2.3 Función de transferencia sigmoidal (logsig): Esta función toma los valores de entrada, los cuales pueden oscilar entre mas y menos infinito, y restringe la salida a valores entre cero y uno, de acuerdo a la expresión

(1.3.6)

Esta función es comúnmente usada en redes multicapa, como la Backpropagation, en parte porque la función logsig es diferenciable.

...