Resumen en español

Muchos algoritmos de aprendizaje de una red neuronal artificial (RNA) requieren resolver problemas de mínimos cuadrados lineales a fin de obtener los pesos sinápticos. Para la RNA conocida como Asociador Lineal, estudiamos algoritmos de aprendizaje y realizamos un análisis comparativo desde el punto de vista de la precisión y la complejidad de estos algoritmos. En este sentido, hemos propuesto algoritmos para resolver el problema de mínimos cuadrados lineales presente en esta red para el caso de matrices con rango deficiente. Comparamos aquellos algoritmos que usan la matriz pseudoinversa teniendo en cuenta seis maneras diferentes de calcularla: Metodo de la Descomposición en Valores Singulares(DVS), método basado en la Factorización de Cholesky Generalizada, m método basado en el proceso de Ortogonalizacion de Gramm-Schmidt, metodo de la Escalonada Reducida, método basado en las ideas de la Proyección del Gradiente, y el último es el método derivado del Teorema de Cayley-Hamilton. Finalmente, a partir de los resultados obtenidos en el estudio comparativo, analizamos el comportamiento de la matriz pseudoinversa en el proceso de aprendizaje de las redes neuronales artificiales Hopfield y Funciones de Base Radial.