An overview of neural networks: Part I: static networks

• Autores: Don R. Hush, Bill Horne
• Localización: Informática y automática: revista de la Asociación Española de Informática y Automática, ISSN 0214-932X, Vol. 25, Nº. 1, 1992, págs. 19-36
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Este artículo es el primero de una serie de dos sobre redes neuronales. La serie se centra en un conjunto de modelos de redes neuronales que pueden ser derivados de un conjunto común de ecuaciones de nodo.

    Estas incluyen los modelos más populares que han nacido en los últimos tiempos, tales como las redes de Hopfield, el Perceptrón Multicapa, y las Redes Neuronales Recurrentes. Se incluye una descripción de cómo trabajan, aplicaciones, ventajas y limitaciones. Este primer artículo empieza con una introducción general a las redes neuronales, seguida por una introducción a las redes estáticas (sistemas sin memoria que realizan transformaciones estáticas). En particular; se presentan el Perceptrón Multicapa, los mapas de características auto-organizativos de Kohonen, y las redes basadas en funciones de base radial (RBF). La segunda parte de esta serie de artículos se centra en las redes dinámicas. Estas redes son descritas por un conjunto de ecuaciones diferenciales (o en diferencias) no lineales y fuertemente acopladas. En particular; se describen las redes de Hopfield y las redes neuronales recurrentes.

  • English

    This paper is the first in a two part series on reural networks. The series focuses on a collection of neural network models which can be derived from a common set of node equations.

    These include the most popular models to emerge in recents years such as the Hopfield Network, the Multilayer Perceptron, and Recurrent Neural Networks. The purpose of these papers is to provide an introduction to these and related models. It includes a description of how the work, their applications, and their fundamental capabilities and limitations. This firts paper begins with a general introduction to neural networks, followed by an introduction to static networks. Static networks are memoryless systems which perform static transformations. The models discussed in this paper include the Multilayer Perceptron, Kohonen's Self-Organizing Feature Maps, and the Radial Basis Function network. Part two of this series covers dynamic networks. These networks are described by a set of tightly coupled nonlinear differential (or difference) equations. The models discussed in part two include the Hopfield Network and Recurrent Neural Networks.