Propiedades de las Redes Artificiales

Las redes neuronales artificiales cuentan con ciertas propiedades, como la manera en que se agrupan las neuronas, los pesos que contienen las conexiones, su topología, el número de nodos, de capas y el número y tipo de conexiones. Cada una de estas propiedades es explicada a continuación.
Capas
En una RNA, las neuronas se agrupan en capas, por lo tanto una red está formada por varias capas de neuronas. Se llama capa o nivel al conjunto de neuronas cuyas entradas provienen de la misma fuente, pudiendo ser otra capa de neuronas, cuyas salidas se dirigen al mismo destino, también pudiendo ser otra capa de neuronas. A pesar de que todas las capas son conjuntos de neuronas, dependiendo de la función que desempeñen reciben un nombre en específico. A continuación se mencionan:
a) Capa de entrada
La capa de entrada de una red neuronal sirve como buffer, pasando las entradas a la siguiente capa. Las neuronas de la capa de entrada reciben los datos que se proporcionan a la RNA para que ésta los procese. Las entradas pueden ser imágenes visuales, señales de audio, texto, patrones de pixeles, o alguna otra señal. Las redes neuronales manejan solamente tipos de datos numéricos como entrada. Por lo tanto, algunas veces será necesario convertir o codificar los datos para el ambiente externo.
b) Capa oculta
Las capas ocultas son aquellas cuyas entradas y salidas se encuentran dentro del sistema y no tienen contacto con el exterior (Aranguren & Muzachiodi, 2002). El número de capas ocultas depende del tipo de red que de desee construir. Este tipo de capas realiza gran parte del procesamiento (Palacios, 2003).
c) Capa de salida
La capa de salida hace posible que la información de la red esté disponible para el exterior. La función principal de esta capa es proporcionar la respuesta que ha generado la red. Así como hay una gran variación de entradas, lo hay también para las salidas.
Esquemas de pesos
En una red que no aprende, una vez dados los pesos estos nunca van a cambiar. De cualquier manera la habilidad para cambiar los pesos permite al sistema adaptarse a condiciones iniciales similares en diferentes tiempos arrojando diferentes resultados. Los pesos iniciales pueden ser dados mediante un algoritmo o aleatoriamente. Como la interconexión de pesos son cambiados se da la función del algoritmo de aprendizaje. El objetivo es ajustar los pesos hasta reducir el error en la salida.
Cada entrada dará un peso relativo, el cual afectará el impacto de esa entrada. Esto es como una variación sináptica en una red neuronal biológica (algunas entradas son más importantes que otras por la manera en que realizan las combinaciones para producir un impulso). El peso es un coeficiente adaptativo con el cual la red neuronal determina la intensidad de la señal de entrada.

Topología
La arquitectura de una red consiste en la organización de las neuronas en la red formando capas más o menos alejadas de la entrada y la salida de la red. Los parámetros fundamentales de la red son: el número de capas (monocapa o multicapa), el número de neuronas por capa, el grado de conectividad y el número y tipo de interconexiones entre neuronas.

Numero de nodos
El número de elementos necesarios para las capas de entrada y salida dependerá del número de entradas y salidas del sistema.

Número de capas
Algunos modelos sólo utilizan dos capas, pasando directamente de la capa de entrada a la capa de salida, no utilizan capas intermedias u ocultas. De cualquier manera, la estructura de una capa de entrada es diferente a la capa de salida, es por esto que las capas ocultas son utilizadas para crear una representación interna a partir de las entradas. Es importante mencionar que la habilidad para procesar la información incrementa en proporción del número de capas en la red. Esta habilidad de las redes neuronales es una característica muy poderosa.

Redes Monocapa
Son utilizadas en tareas relacionadas con la autoasociación. Para unirse las neuronas crean conexiones laterales para conectarse con otras neuronas de su capa.

Redes Multicapa
Estas redes se pueden clasificar de acuerdo a la manera en que se conectan sus capas. La mayoría de las redes multicapa son bicapa. Este tipo de estructura es apropiada para realizar una asociación de una información con otra información de salida en la segunda capa. El NECOGNITRON es un tipo de red multicapa muy particular, en el que las neuronas se disponen el planos superpuestos, permitiendo eliminar las variaciones geométricas o distorsiones que presenten las informaciones de entrada en la red.

Número y tipo de interconexiones
La salida que arroja un nodo después de haber procesado la información se convierte en la entrada de otra. Si la salida de un elemento simple es canalizada a cada uno de los nodos de la siguiente capa, entonces la red se encuentra totalmente conectada. Algunas redes, como la red de Hopfield se encuentran conectadas de manera esparcida a algunos nodos distantes, con un porcentaje pequeño de nodos recibiendo entradas de manera aleatoria de un elemento de la capa precedente.
Una red donde las neuronas de una capa reciben señales de entrada de otra capa anterior y envían señales de salida a una capa posterior, es llamada red unidireccional o con conexiones hacia delante (feedforward network). Por otra parte, una red recurrente, de conexiones hacia atrás o retroalimentada (feedback network) permite que las salidas de las neuronas de capas posteriores se conecten a las entradas de las capas anteriores. Otro tipo de red es la que se propaga hacia los lados (feedlateral connections), ya que un nodo puede enviar entradas a otros nodos en la misma capa.
Las redes unidireccionales son más rápidas que las recurrentes, ya que pueden obtener una solución con sólo un paso. Además, las redes unidireccionales garantizan estabilidad, ya que las recurrentes deben de realizar varios ciclos iterativos hasta que es sistema se establezca.