Arabel Aguilar EncaladaMarcela Gómez González

Universidad Técnica Particular de Loja

Escuela de Ciencias de la ComputaciónInteligencia Artificial Avanzada

Uno de los principales responsables del desarrollo que ha experimentado la computación neuronal ha sido J. Hopfield (1980), quien construyó un modelo de red con el número suficiente de simplificaciones como para poder extraer información sobre las características relevantes del sistema.

La red de Hopfield es una red monocapa, utilizan aprendizaje no supervisado, también se puede mostrar como una red dos capas, la primera capa seria una capa de sensores y la segunda capa será donde se realiza el procesamiento.

Estas redes pueden usarse como un modelo sencillo para explicar como ocurren las asociaciones entre ideas en las redes de neuronas del cerebro.

Una red de Hopfield funciona como una memoria asociativa. Después de entrenarse con un conjunto de ejemplos, un nuevo estímulo causa la red a “asentarse'' en un patrón de activación correspondiente al ejemplo de entrenamiento que se parece más al nuevo estímulo. Esto es, se alimenta un patrón de entrada y se observa su salida. La salida vuelve a alimentar a la red y se ve la nueva salida.

Memoria auto-asociativa.- Se trata simplemente de asociar dos patrones y se establecen correspondencias entre ellas.

La estructura de red neuronal que se muestra en la Figura es una memoria auto-asociativa, de una sola capa, totalmente conectada y recurrente.

Esta red consiste en un conjunto de N elementos de procesado interconectadas que actualizan sus valores de activación de forma asíncrona e independiente del resto de las elementos de procesado. Todos los elementos son a la vez de entrada y salida.

Es una estructura en donde la matriz de pesos es cuadrada y simétrica. Es decir los pesos de un PE(Patron de entrada) a otro tiene el mismo valor en ambas direcciones.

Cada Patrón de Entrada (PE) está conectado con todos los demás, incluso con si mismo pero el valor de dicha conexión es 0, significando que el PE no se realimenta a si mismo.

Es una red discreta con entradas y salidas binarias: 0/1 ó -1/+1

Existen varios problemas asociados a la red Hopfield.

Número limitado de entradas en la etapa de aprendizaje: Si se almacenan demasiadas informaciones, durante su funcionamiento la red puede converger a valores de salida diferentes de los aprendidos, con lo que la tarea de asociación entre la información presentada y alguna de las almacenadas se realiza incorrectamente.

El número máximo de patrones no correlacionados que puede almacenar es igual al 15% del número de neuronas de la red

Ortogonalidad de las informaciones aprendidas: Si las informaciones almacenadas no son suficientemente diferentes entre sí (no son ortogonales) puede ocurrir que ante una entrada la red no haga una asociación correcta y genere una salida errónea.

En cuanto a las aplicaciones más conocidas de este modelo destacan las relacionadas con el reconocimiento de imágenes y de voz, el control de motores y sobre todo la resolución de problemas de optimización.

Para problemas de optimización se ha aplicado para la resolución de, manipulación de grafos, procesado de señales (conversores analógico-digitales) y de imágenes, etc.

Redes neuronales-Hopfield,Anónimo [consultado a 17/07/07]. Disponible en: http://ohm.utp.edu.co/neuronales Capitulo2/ Recurrentes/ EstructuraH.htm

Red Hopfield: Reconocimiento de patrones disponible en: http://thales.cica.es/rd /Recursos/rd98/TecInfo/07/ejemplo.htm

Hopfield (Menoria Autoasociativa)-[consultado a: 20/07/07], Disponible en: http://www.lfcia.org/~cipenedo/cursos/scx/Tema7/nodo7-1.html y en : http://www.redes-neuronales.netfirms.com/ tutorial-redes-neuronales/red-de-hopfield.htm

Redes de hopfield, [consultado a: 18/07/07] [online] Disponible en: http://perso.wanadoo.es/alimanya/hopfield.htm

El modelo de Hopfield , limitaciones, aplicaciones.[consultado a: 20/07/07][online] disponible en: http://thales.cica.es/rd/ Recursos/rd98/ TecInfo/07/capitulo5.htmL