Please enable JavaScript.
Coggle requires JavaScript to display documents.
Redes Neuronales de Estado Discreto - Coggle Diagram
Redes Neuronales de Estado Discreto
Concepto 🧠
Modelo computacional inspirado en el cerebro humano
Neuronas en estado discreto: 0 (inactivo) o 1 (activo)
Procesamiento paralelo y distribuido
Capacidad de aprender reglas simples de asociación
Aplicación inicial en problemas de clasificación y memoria asociativa
Ventajas y Desventajas ⚖️
Ventajas ✅
Simplicidad de implementación y análisis
Buen desempeño en reconocimiento de patrones binarios
Alta velocidad de procesamiento en comparación con modelos más complejos
Utilidad en problemas de memoria asociativa y corrección de errores
Desventajas ❌
Dificultad para representar información continua
Riesgo de estancarse en mínimos locales
Problemas de convergencia en redes grandes
No resuelven problemas no lineales complejos como XOR (en perceptrón simple)
Menor capacidad de generalización frente a redes modernas
Fundamentos de RNED ⚙️
Representación matemática con vectores de estado discretos
Actualización de estados basada en reglas locales (ej. Hebb, regla de error)
Redes recurrentes → evolución hacia estados estables
Estados estables = "atractores" de la red
Aprendizaje supervisado y no supervisado
Aplicaciones en clasificación, optimización y memoria asociativa
Funciones de Activación Discreta Comunes 🔑
Escalón (Heaviside): salida binaria 0/1
Signo: salida en {-1, +1}, útil en redes recurrentes
Umbral: activa si la suma de entradas supera cierto límite
Funciones de transferencia deterministas
En algunos modelos → versiones probabilísticas para aprendizaje estocástico
Redes de Hopfield 🔄
Tipo: red neuronal recurrente totalmente conectada
Basada en dinámica de energía → converge a estados estables
Funcionan como memoria asociativa
Pueden almacenar patrones y recuperarlos aun con ruido o información incompleta
Limitaciones:
Capacidad limitada (≈ 0.15 * número de neuronas)
Riesgo de caer en estados espurios
Aplicaciones:
Reconocimiento de patrones
Corrección de errores en datos binarios
Sistemas de memoria artificial
Máquina de Boltzmann 🎲
Extensión probabilística de las redes de Hopfield
Basada en principios de mecánica estadística
Nodos estocásticos → se activan con cierta probabilidad
Algoritmo de aprendizaje: "simulated annealing"
Capaz de aproximar distribuciones de probabilidad complejas
Aplicaciones:
Optimización combinatoria
Modelado de distribuciones
Aprendizaje no supervisado
Limitaciones:
Entrenamiento lento y costoso computacionalmente
Requiere muchos ciclos de simulación
Perceptrón 🔹
Primer modelo formal de neurona artificial (Rosenblatt, 1958)
Entradas → pesos → función de activación discreta
Salida binaria (0 o 1)
Regla de aprendizaje basada en corrección del error
Usos:
Clasificación binaria
Detección de patrones linealmente separables
Limitaciones:
No resuelve problemas no lineales (ejemplo: XOR)
Inspiró la creación de perceptrones multicapa (MLP) para superar estas limitaciones