Please enable JavaScript.
Coggle requires JavaScript to display documents.
REDES NEURONALES DE ESTADO DISCRETO Y CONTINUO - Coggle Diagram
REDES NEURONALES DE ESTADO DISCRETO Y CONTINUO
1. REDES NEURONALES DE ESTADO DISCRETO (DNNs)
Definición:
Redes donde las neuronas solo toman valores limitados (por ejemplo: 0 o 1).
Características:
Estados finitos (binarios o de un conjunto pequeño).
Manejo de decisiones secuenciales.
A veces incluyen memoria discreta.
Tipos:
RNN Discretas: Retroalimentación con valores discretos.
LSTM Discretas: Memoria a largo plazo, adaptadas a estados discretos.
Redes de Control: Para sistemas discretos.
FSM + Redes Neuronales: Máquinas de estados finitos combinadas con redes.
Ejemplos:
Clasificación de secuencias (sentimientos en palabras).
Decisiones en juegos (como ajedrez).
Control de robots en mapas discretos.
Aplicaciones:
Control de sistemas discretos.
Robótica.
Juegos de estrategia.
Procesamiento de lenguaje natural.
2. REDES NEURONALES DE ESTADO CONTINUO
Definición
:
Redes donde las neuronas pueden tomar cualquier valor dentro de un rango (ej. números reales).
Características
:
Activaciones continuas (por ejemplo entre -1 y 1).
Aptas para tareas de predicción continua y control de sistemas dinámicos.
Usan optimización basada en gradientes.
Tipos
FNN (Feedforward): Sin memoria, entradas y salidas continuas.
RNN Continuas: Manejan datos de series continuas.
LSTM Continuas: Memoria de largo plazo para series de tiempo.
Memristores: Integración de memoria continua en redes.
Ejemplos:
Predicción del clima.
Pronóstico de precios de acciones.
Control de sistemas físicos.
Aplicaciones:
Procesamiento de señales.
Predicción de series temporales.
Control adaptativo de sistemas dinámicos.