Please enable JavaScript.
Coggle requires JavaScript to display documents.
REDES NEURONALES DE ESTADO DISCRETO (RNED) - Coggle Diagram
REDES NEURONALES DE ESTADO DISCRETO (RNED)
Fundamentos de RNED
Neurona MCP (McCulloch-Pitts)
Modelo binario: salida 0 o 1
Suma ponderada
Umbral de activación
No admite aprendizaje
Estructura básica
Entradas, pesos, activación, salida
Red de múltiples neuronas conectadas
Topologías: feedforward, recurrentes
Funciones de Activación Discreta
Comunes
Escalón (Heaviside)
Signo bipolar (-1, +1)
Funciones lógicas (AND, OR, NOT)
Implementación directa en MCP
Función de activación estocástica
Usada en Máquinas de Boltzmann
Perceptrón
Perceptrón simple
Clasificador lineal
Regla de aprendizaje
Extensiones
Perceptrón multicapa (MLP)
Backpropagation para entrenamiento
Limitaciones
No resuelve XOR
Redes de Hopfield
Red recurrente
Memoria asociativa
Almacena patrones como estados estables
Dinámica de energía
Función de Lyapunov
Evolución hacia mínimos locales
Aplicaciones
Reconocimiento de patrones
Corrección de errores
Optimización combinatoria
Máquinas de Boltzmann
Modelo probabilístico
Aprendizaje estocástico
Algoritmo de retropropagación estocástica
Simulated annealing
Aplicaciones
Optimización combinatoria
Modelado de distribuciones
Neuronas estocásticas
Activación por probabilidad (función sigmoide)
Ventajas y Desventajas
Ventajas
Simplicidad conceptual
Bajo costo computacional
Fácil implementación
Desventajas
Limitadas en problemas no lineales
Sensibles al ruido
Difíciles de escalar
Otros Modelos Relevantes
Adaline
Redes ART (Adaptive Resonance Theory)
Madaline
BAM (Bidirectional Associative Memory)
SOM (Self Organizing Maps)
