Please enable JavaScript.
Coggle requires JavaScript to display documents.
Redes Neuronales de Estado Discreto - Coggle Diagram
Redes Neuronales de Estado Discreto
Fundamentos de RNED
Basadas en McCulloch y Pitts (MCP)
Neurona MCP:
Pesos → ponderan las entradas
Suma → combinación de señales
Umbral → comparación con valor límite
Entradas binarias (0/1)
Salida → discreta (0 o 1)
Base en lógica matemática
Limitación: mínimos locales y baja capacidad de almacenamiento
Funciones de activación discreta comunes
Escalón binario (umbral)
Función signo (−1 / +1)
Funciones booleanas (AND, OR, NOT)
Ejemplo práctico:
AND → activa solo si todas las entradas son 1
OR → activa si al menos una entrada es 1
Máquinas de Boltzmann
Red neuronal estocástica
Usa probabilidad y conceptos de termodinámica
Aprende distribuciones de probabilidad
Aplicaciones:
Optimización
Reconocimiento de patrones complejos
Redes de Hopfield
Tipo de red recurrente
Almacena patrones en forma de memoria asociativa
Basada en energía mínima
Aplicaciones:
Recuperación de patrones incompletos
Optimización de problemas
Perceptrón
Introducido por Frank Rosenblatt (1958)
Primer modelo de red capaz de aprender
Componentes:
Entradas + pesos
Función de activación (umbral)
Ajuste de pesos mediante aprendizaje supervisado
Limitación: solo resuelve problemas linealmente separables
Ventajas y Desventajas de RNED
Ventajas:
Sencillas de entender y aplicar
Fundamentos sólidos en lógica y matemáticas
Buena base histórica para redes modernas
Desventajas:
Capacidad de aprendizaje limitada
No resuelven problemas complejos no lineales
Poca escalabilidad