Neurona: Funciones

Función sumatoria
Aquí todos los productos de la entrada y el peso son sumados y comparados con alguna función de transferencia para determinar la salida. De esta manera si la suma de las entradas es mayor que el valor de la función de transferencia, la neurona generará una señal; por el contrario, si la suma de las entradas es menor, ninguna señal será generada. Ambos tipos de respuesta son significantes. La función sumatoria es la siguiente:

E= x1w1 + x2w2 +...+ xnwn

Donde:
E – Función sumatoria
x – Entrada
w – Peso

Función de activación o transferencia
También llamada función de salida o threshold, generalmente es no lineal. Las funciones lineales son limitadas, ya que la salida es simplemente proporcional a la entrada. Por otra parte, la función de transferencia puede ser tan simple como un cero. La salida depende de si el resultado de la función sumatoria es positivo o negativo. La red puede arrojar como resultado un 1 y un -1, ó 1 y 0, etcétera.
La relación entre las entradas y las salidas en cualquier instante esta especificado por la función de transferencia o activación.
La suma de los pesos de la entrada se convierte en la entrada de la función de transferencia, la cual dicta la salida de un proceso en particular. A continuación se muestran las funciones de transferencia más usuales.
Entre las unidades que conforman la red neuronal se tiene un conjunto de conexiones que unen unas a otras. Asociada a cada unidad Ui se tiene una función de salida fi(ai(t)), que transforma el estado actual de activación ai(t) a una señal de salida yi(t), o sea:
yi(t) = fi(ai(t))

Se tiene así el vector que contiene a las salidas de todas las neuronas en un instante t es:

Y(t) = (f1(a1(t)), f2(a2(t)),…, fi(ai(t)),…, fn(an(t)))

Figura. Funciones de transferencia más usuales (Palacios, 2003).

a) Función identidad: Equivale a no aplicar una función de salida (Aranguren & Muzachiodi, 2002).
b) Función escalón: También llamada umbral. Sólo se utiliza cuando la salida de la red es binaria. La salida de la neurona se activa si el estado de activación es mayor o igual que cierto valor umbral.
c) Función sigmoidal: Si se desea una salida analógica, esta función es la más apropiada.

Función de aprendizaje
Si se agrega memoria local a la neurona, se pueden almacenar resultados de cálculos previos y modificar los pesos usados. Esta habilidad de poder modificar los pesos, permite a la neurona modificar su comportamiento en respuesta a sus entradas, dicho de otra manera, le permite a la neurona aprender. En las RNA el conocimiento se encuentra en los pesos de las conexiones que existen entre las neuronas; es por esto que el proceso de aprendizaje consiste en modificar los valores de los pesos de la red.