Reti Neurali: modelli e aspetti applicativi: Cap 3 -Modelli di Reti Neurali
33
3.5 - CLASSIFICAZIONE DELLE RETI NEURALI
Sebbene le reti neurali siano in rapida evoluzione è possibile fare una classificazione dei principali modelli,
riferendoci con essa a evidenziare i diversi approcci di vari
autori. Una prima suddivisione può essere fatta in base all'ingresso dei neuroni che può risultare continuo
o discreto. La successiva divisione è determinata dal tipo di
regola di apprendimento che può essere con o senza supervisione. Un altro aspetto importante è il tipo di funzione di attivazione che può essere o deterministica. Nei modelli deterministici e
non
essere
stocastici l'evolversi della dinamica del
sistema è spesso prevedibile a lungo termine (reti di Hopfield). Nei modelli non deterministici, che simulano più da vicino i sistemi biologici, si ha una funzione d'attivazione probabilistica (Macchina di Boltzmann). La simmetricità della matrice delle connessioni
origina
una
ulteriore
suddivisione
in
reti
simmetriche che sono
tipicamente le reti di Hopfield, e asimmetriche come i perceptroni. Si formano a questo livello diverse famiglie di reti neurali .10 Nel presente lavoro saranno esaminati i seguenti modelli:
• Reti di Hopfield discrete e continue • Macchina di Boltzmann • Perceptrone e Perceptrone multistrato • Reti auto-organizzanti di Kohonen
10
Richard P. Lippmann, "An Introduction to Computing with Neural Nets", IEEE ASSP Magazine, Aprile 1987, pag 4-22 .