Revista de ciencia de la energía nuclear y tecnología de generación de energía

Estudio analítico sobre algoritmos y técnicas de aprendizaje de redes neuronales artificiales

Jeevitha Maruthachalam*

Las redes neuronales artificiales se utilizan ampliamente para apoyar las capacidades de decisión humana, evitando inconsistencias en la práctica y errores basados ​​en la falta de experiencia. En este artículo hemos explorado varias reglas de aprendizaje en redes neuronales artificiales, como el aprendizaje preceptrónico, la corrección de errores, las reglas de aprendizaje hebbianas y las reglas de aprendizaje de competencia. Las reglas de aprendizaje son algoritmos que dirigen los cambios en los pesos de las conexiones en una red.

Incorporan un procedimiento de reducción de errores empleando la diferencia entre la salida deseada y una salida real para cambiar sus pesos durante el entrenamiento. La regla de aprendizaje se aplica normalmente de forma repetida al mismo conjunto de entradas de entrenamiento a lo largo de una gran cantidad de épocas y el error se reduce gradualmente a lo largo de las épocas a medida que se ajustan los pesos. Este artículo también se centra en una de las técnicas de redes neuronales denominada perceptrón multicapa (MLP) junto con sus aplicaciones, ventajas y desventajas.