Redes Neuronales Artificiales: El Perceptrón Multicapa

La red Perceptrón Multicapa (Multi-Layer Perceptron) presenta, al menos una capa intermedia

(oculta), la cual se encuentra entre la capa de entrada y la capa de salida. Consecuentemente,

esta red tiene al menos dos neuronas en cada capa oculta.

Esta red es conocida por su amplio rango de aplicación en multitud de problemas de

diferentes áreas del conocimiento y de igual manera son consideradas una de las arquitecturas

mas versátiles gracias a su aplicabilidad.

La red Perceptrón Multicapa consiste en un arreglo de varias neuronas de tipo Perceptrón

Simple, con la diferencia de que la función de activación es de tipo sigmoidal o tanh. En la

figura, se muestra la representación de una red Perceptrón Multicapa la cual cuenta con:

dos entradas (x1; x2) las cuales se ingresan a la capa de entrada, que cuenta con dos neuronas (En1;En2), una capa oculta con dos neuronas (Oc1;Oc2), y una sola neurona en la capa de

salida (Sa1).

El proceso de aprendizaje de la red Perceptrón Multicapa comienza desde la capa de entrada,

se propagan las salidas de cada neurona, las cuales pasan a través de las neuronas de las

capas ocultas y al final se produce una salida en la capa de salida de la red. Posteriormente se

compara la salida producida por la red con la salida deseada, se calcula el error, el cual sera el

parámetro para modificar los pesos sinápticos. Debido a que en las neuronas de la capa oculta

no es posible saber qué salida deben generar, no podemos obtener un error directamente, así

que para poder ajustar los pesos sinápticos ademas del calculo del error en la capa de salida,

también debemos de calcular el cambio en el potencial de activación de las neuronas de la

capa de salida y oculta. En la siguiente vídeo se muestra a detalle el proceso de aprendizaje de la red Percetrón Multicapa basado en el algoritmo backpropagation.

Descargar código en python y archivo de excel:

http://raboninco.com/1SNoh