Mario Rafael Solorio Whisnant Cristobal Soto Pinto

Fue propuesto por Webros en 1974 y luego redefinido por Rumelhart en 1986. Es un algoritmo de aprendizaje que se utiliza sobre una red neuronal clsica de sumadores, un madaline, con la caracterstica de que esta totalmente conectada entre capas, y no tiene realimentac iones ni conexiones adelantadas.

Asocia pares de vectores de entrada-salida, la entrada se propaga hasta la salida y una ves obtenida esta se calcula el error, comparndola con la salida deseada. El error calculado se propaga hacia atrs, influyendo en cada uno de los pesos, segn en su influencia en la decisin tomada por la red.

Otra manera de definir el algoritmo de retropropagacin seria que es un modelo de aprendizaje de la red Perceptron multicapa mas utilizado en la practica, debido a su sencillez y eficacia para la resolucin de problemas arbitrariamente complejos.

El algoritmo BP esta basado en el mtodo del gradiente descendiente, que este trata de obtener una aproximacin lineal de la funcin error atreves de la expresin: De forma que la actualizacin de pesos viene dada por:

Siendo el tamao del paso o tasa de aprendizaje, que suele ser una constante de tamao reducido 0<<1

Por lo tanto el algoritmo BP consiste en 2 ciclos de aprendizaje de un conjunto de patrones de entrada y salida, empleando un ciclo propagacion-adaptacion, con 2 fases diferenciadas.

1.-Fase de aprendizaje hacia adelante: los patrones de entrada son presentados a la primera capa de la red que propaga dicho estimulo a travs de todas las capas posteriores hasta generar una salida del sistema. 2.-Fase de aprendizaje hacia atrs: A partir de la comparacin de la salida generada por la red y la salida deseada, se calcula un valor de error para cada neurona de la ultima capa del sistema.

Estos errores se transmiten desde la capa de salida hacia las neuronas de la capa intermedia que contribuyan directamente ala salida, que reciben una parte de error aproximada, a su participacin en la salida original. El proceso se repite capa por capa hasta que todas las neuronas de la red hayan recibido un error que describa su aportacin relativa al output final.

A partir del valor del error recibido, se procede al reajuste de los pesos, de cada neurona para minimizar el error cometido por la red en el futuro. Una vez concluida la fase de aprendizaje se inicia el modo de operacin o test. Si el aprendizaje ha sido eficaz, la red debe de generar una salida prxima ala deseada ante la presencia de un nuevo estimulo vector de entrada desconocido

Las redes neuronales artificiales. Fundamentos tericos y aplicaciones practicas. Autores: Raquel Flrez Lpez, Jos Miguel Fernndez Fernndez. Editorial: Netbiblio. Aplicaciones de las redes de neuronas en supervisin diagnosis y control de procesos. Autores: CITED CONICIT Editorial: Equinoccio. Vida Artificial. Autores: Isidro Ramos Salavert, Miguel A. Fernndez. Editorial: Compobell Inteligencia Artificial, modelos tecnicas y areas de aplicacin. Autores: Francisco Escolano Ruiz,Miguel Anguel Cazorla Quevedo. Editorial: Thomson

Gracias