Page 39 - Sistemas de aprendizaje e-learning: técnicas de inteligencia artificial para las inteligencias múltiples

38 Sistemas de aprendizaje e-learning: técnicas de
inteligencia artificial para las inteligencias múltiples

Figura 2.2. Arquitectura de una ANN.

Input Layer Hidden Layer Output Layer

Linear transfer
function

Tan-sigmoid
Transfer function
Fuente: Wang, Chau, Cheng y Qiu (2009).

VENTAJAS DE LAS REDES NEURONALES
Las redes neuronales deben su capacidad de procesamiento de información a su estructura dis-
tribuida y paralela, su capacidad de aprendizaje y, por tanto, de generalización (Villaseñor, 2013).

TIPOS DE REDES NEURONALES
Los tipos de redes neuronales pueden ser:
• Perceptrón multicapa, que es una estructura jerárquica que consiste en varias capas de
neuronas totalmente interconectadas, que admiten como entradas las salidas de los elemen-
tos de proceso (neuronas) de la capa anterior. A su vez se distinguen tres tipos de capas:
capa de entrada, que está formada por n unidades (siendo n el número de entradas exter-
nas) que se limitan a distribuir las señales de entrada a la capa siguiente; capas ocultas, que
están formadas por neuronas que no tienen contacto físico con el exterior, y el número de
capas ocultas es variable, pudiendo incluso ser nulo; y capa de salida, que está formado por
m neuronas (siendo m el número de salidas externas) cuyas salidas constituyen el vector de
salidas externas del perceptrón multicapa, y se pueden aplicar en: aproximación de funcio-
nes, reconocimiento de patrones, filtrado de señales, eliminación de ruido, segmentación de
imágenes y señales.
• Redes recurrentes. Estos modelos son capaces de representar sistemas realimentados
dinámicos no lineales.
• Redes de funciones de base radiales (RBFN: Radial Basis Function Networks), que con-
sisten en dos capas (Jang, 1993).
• Otros tipos de redes neuronales son: Adaline, que tienen capacidad de aprendizaje
debido a que sus pesos son cambiados adaptativamente de acuerdo con un algoritmo
adaptable, y sus aplicaciones principales son: filtrado adaptable de señales y reconoci-
miento de patrones; y mapas autoorganizativos de Kohonen. En este caso las neuronas
están ordenadas topológicamente. Frente a la presentación de un patrón de n dimensiones