1.

CARACTERÍSTICAS PRINCIPALES DE LAS REDES

NEURONALES

1.2 FUNCIONAMIENTO DE UNA NEURONA BIOLÓGICA

El cerebro consta de un gran número (aproximadamente 10 11) de elementos

altamente interconectados (aproximadamente 104 conexiones por elemento),
llamados neuronas. Estas neuronas tienen tres componentes principales, las
dendritas, el cuerpo de la célula o soma, y el axón. Las dendritas, son el árbol
receptor de la red, son como fibras nerviosas que cargan de señales eléctricas
el cuerpo de la célula. El cuerpo de la célula, realiza la suma de esas señales de
entrada. El axón es una fibra larga que lleva la señal desde el cuerpo de la
célula hacia otras neuronas. El punto de contacto entre un axón de una célula y
una dendrita de otra célula es llamado sinápsis, la longitud de la sinápsis es
determinada por la complejidad del proceso químico que estabiliza la función
de la red neuronal. Un esquema simplificado de la interconexión de dos
neuronas biológicas se observa en la figura 1.2.1

Figura 1.2.1 Neuronas Biológicas

Algunas de las estructuras neuronales son determinadas en el nacimiento, otra

parte es desarrollada a través del aprendizaje, proceso en que nuevas
conexiones neuronales son realizadas y otras se pierden por completo. El
desarrollo neurológico se hace crítico durante los primeros años de vida, por
ejemplo está demostrado que si a un cachorro de gato, se le impide usar uno de
sus ojos durante un periodo corto de tiempo, el nunca desarrollara una visión
normal en ese ojo.

Las estructuras neuronales continúan cambiando durante toda la vida, estos

cambios consisten en el refuerzo o debilitamiento de las uniones sinápticas;
por ejemplo se cree que nuevas memorias son formadas por la modificación de
esta intensidad entre sinápsis, así el proceso de recordar el rostro de un nuevo
amigo, consiste en alterar varias sinápsis.

Como consecuencia de los primeros estudios sobre la base neural de los

sistemas mnémicos (relacionados con la memoria), se creía que el
almacenamiento de la memoria asociativa, tanto implícita como explícita,
requerían de un circuito neuronal muy complejo. Entre quienes comenzaron a
oponerse a este enfoque se hallaba Donald O. Hebb, profesor de la universidad
de Milner; Hebb sugirió que el aprendizaje asociativo podría ser producido por
un mecanismo celular sencillo y propuso que las asociaciones podrían formarse
por una actividad neuronal coincidente: "Cuando un axón de la célula A excita la
célula B y participa en su activación, se produce algún proceso de desarrollo o
cambio metabólico en una o en ambas células, de suerte que la eficacia de A,
como célula excitadora de B, se intensifica". Según la regla Hebbiana de
aprendizaje, el que coincida la actividad de las neuronas presinápticas
(suministran el impulso de entrada) con la de las postsinápticas (reciben el
impulso) es muy importante para que se refuerce la conexión entre ellas, este
mecanismo es llamado pre-postasociativo, del cual puede observarse un ejemplo
en la figura 1.2.2
 Figura 1.2.2 Cambios asociativos de las fuerzas sinápticas durante el aprendizaje

Todas las neuronas conducen la información de forma similar, esta viaja a lo

largo de axones en breves impulsos eléctricos, denominados potenciales de
acción; los potenciales de acción que alcanzan una amplitud máxima de unos 100
mV y duran 1 ms, son resultado del desplazamiento a través de la membrana
celular de iones de sodio dotados de carga positiva, que pasan desde el fluido
extracelular hasta el citoplasma intracelular; la concentración extracelular de
sodio supera enormemente la concentración intracelular.

La membrana en reposo mantiene un gradiente de potencial eléctrico de -70mv,

el signo negativo se debe a que el citoplasma intracelular está cargado
negativamente con respecto al exterior; los iones de sodio no atraviesan con
facilidad la membrana en reposo, los estímulos físicos o químicos que reducen
el gradiente de potencial, o que despolaricen la membrana, aumentan su
permeabilidad al sodio y el flujo de este ion hacia el exterior acentúa la
despolarización de la membrana, con lo que la permeabilidad al sodio se
incrementa más aún.

Alcanzado un potencial crítico denominado "umbral", la realimentación positiva

produce un efecto regenerativo que obliga al potencial de membrana a cambiar
de signo. Es decir, el interior de la célula se torna positivo con respecto al
exterior, al cabo de 1 ms, la permeabilidad del sodio decae y el potencial de
membrana retorna a -70mv, su valor de reposo. Tras cada explosión de
actividad iónica, el mecanismo de permeabilidad del sodio se mantiene
refractario durante algunos milisegundos; la tasa de generación de potenciales
de acción queda así limitada a unos 200 impulsos por segundo, o menos.
Aunque los axones puedan parecer hilos conductores aislados, no conducen los
impulsos eléctricos de igual forma, como hilos eléctricos no serían muy
valiosos, pues su resistencia a lo largo del eje es demasiado grande y a
resistencia de la membrana demasiado baja; la carga positiva inyectada en el
axón durante el potencial de acción queda disipada uno o dos milímetros más
adelante, para que la señal recorra varios centímetros es preciso regenerar
frecuentemente el potencial de acción a lo largo del camino la necesidad de
reforzar repetidamente esta corriente eléctrica limita a unos 100 metros por
segundo la velocidad máxima de viaje de los impulsos, tal velocidad es inferior
a la millonésima de la velocidad de una señal eléctrica por un hilo de cobre.

Los potenciales de acción, son señales de baja frecuencia conducidas en forma

muy lenta, estos no pueden saltar de una célula a otra, la comunicación entre
neuronas viene siempre mediada por transmisores químicos que son liberados
en las sinápsis. Un ejemplo de comunicación entre neuronas y del proceso
químico de la liberación de neurotransmisores se ilustra en la figura 1.2.3.
 Figura 1.2.3 Comunicación entre neuronas

Cuando un potencial de acción llega al terminal de un axón son liberados

transmisores alojados en diminutas vesículas, que después son vertidos en una
hendidura de unos 20 nanómetros de anchura que separa la membrana
presináptica de la postsináptica; durante el apogeo del potencial de acción,
penetran iones de calcio en el terminal nervioso, su movimiento constituye la
señal determinante de la exocitosis sincronizada, esto es la liberación
coordinada de moléculas neurotransmisoras. En cuanto son liberados, los
neurotransmisores se enlazan con receptores postsinápticos, instando el
cambio de la permeabilidad de la membrana.

Cuando el desplazamiento de carga hace que la membrana se aproxime al

umbral de generación de potenciales de acción, se produce un efecto excitador
y cuando la membrana resulta estabilizada en la vecindad el valor de reposo se
produce un efecto inhibidor. Cada sinápsis produce sólo un pequeño efecto,
para determinar la intensidad (frecuencia de los potenciales de acción) de la
respuesta cada neurona ha de integrar continuamente hasta unas 1000 señales
sinápticas, que se suman en el soma o cuerpo de la célula.

En algunas neuronas los impulsos se inician en la unión entre el axón y el soma, y

luego se transmiten a lo largo del axón a otras células nerviosas. Cuando el axón
está cerca de sus células destino, se divide en muchas ramificaciones que
forman sinápsis con el soma o axones de otras células. Las sinápsis pueden ser
excitatorias o inhibitorias según el neurotransmisor que se libere, cada
neurona recibe de 10.000 a 100.000 sinápsis y su axón realiza una cantidad
similar de sinápsis.

Las sinápsis se clasifican según su posición en la superficie de la neurona

receptora en tres tipos: axo-somática, axo-dendrítica, axo-axónica. Los
fenómenos que ocurren en la sinápsis son de naturaleza química, pero tienen
efectos eléctricos laterales que se pueden medir.

En la figura 1.2.4 se visualiza el proceso químico de una sinápsis y los

diferentes elementos que hacen parte del proceso tanto en la neurona
presináptica, como en la postsináptica.
 Figura 1.2.4 Proceso químico de una sinápsis

Las RNA no alcanzan la complejidad del cerebro, sin embargo hay dos aspectos
similares entre redes biológicas y artificiales, primero los bloques de
construcción de ambas redes son sencillos elementos computacionales (aunque
las RNA son mucho más simples que las biológicas) altamente interconectados;
segundo, las conexiones entre neuronas determinan la función de la red.
 Tema: La neurona: estructura y función

neurona

La neurona es considerada la unidad estructural y funcional fundamental

del sistema nervioso.  Esto quiere decir que las diferentes estructuras del sistema
nervioso tienen como base grupos de neuronas.  Además, la neurona es la unidad
funcional porque puede aislarse como componente individual y puede llevar a
cabo la función básica del sistema nervioso, esta es, la transmisión de información
en la forma de impulsos nerviosos.

Estructura de la neurona:

La neurona es un tipo de célula con unos componentes estructurales básicos que le

permiten llevar a cabo la función distintiva de transmitir cierto tipo de mensajes, a
los que se le conoce como impulsos nerviosos.

Algunas de las partes de la neurona son similares a las de las demás células.  Otras
partes le son distintivas.  A continuación se listan las estructuras principales de la
neurona.

Soma o cuerpo celular.  Esta parte incluye el núcleo.  Al igual que todas las demás
células, las neuronas tienen un núcleo.  En esta parte es donde se produce la
energía para el funcionamiento de la neurona.  Una diferencia importante es que el
núcleo de las neuronas no esta capacitado para llevar a cabo división celular
(mitosis), o sea que las neuronas no se reproducen. Que implica esto:

En el caso dado, pérdida permanente de funciones, como por ejemplo, rompimiento

del cordón espinal o daño en algún <rea especializada (p. Ej. hipocampo).
Por que ha sido necesario ello, es una limitación de la especie: Quizás sea el medio
por el cual en las primeras etapas del desarrollo se logra que de un mismo tipo de
neurona surjan neuronas con funciones especializadas (esto es sólo una
suposición mía).

Dendritas - Son prolongaciones que salen de diferentes partes del soma.  Suelen ser
muchas y ramificadas.  El tamaño y ramificación de las dendritas varía según el
lugar y la función de la neurona (insertar transparencia).

En el desarrollo vemos que estas se ramifican.  A mayor ramificación, mayor

comunicación, mayor versatilidad, pero en cierto momento se cierran para
constituir funciones específicas (insertar transparencia).

Las dendritas recogen información proveniente de otras neuronas u órganos del

cuerpo y la concentran en el soma de donde, si el mensaje es intenso, pasa al
axón.

Axón - Es una sola prolongación que sale del soma en dirección opuesta a las
dendritas.  Su tamaño varía según el lugar donde se encuentre localizado el axón,
pero por lo regular suele ser largos (insertar transparencia).  La función del axón
es la de conducir un impulso nervioso desde el soma hacia otra neurona, músculo
o glándula del cuerpo.  El axón tiene varias estructuras distintivas:

Capas de mielina - Son capas de una sustancia grasosa que cubre partes de la
superficie del axón.  Estas capas facilitan la transmisión del impulso nervioso.
Esta sustancia es producida por las células Schuann  La falta de mielina esta
asociada con dificultad en la transmisión de impulso nervioso (Ej. esclerosis
múltiple).   Además, su ausencia en los infantes explica sus limitaciones motrices.
No todo el axón esta cubierto de mielina.  Hay partes que no; estos espacios se
conocen como:

Nódulos de Ranvier y desempeñan una función especial en la transmisión del impulso

nervioso.

Botones Sinápticos - Son ramificaciones al final del axón que permiten que el impulso
nervioso se propague en diferentes direcciones.  En los botones sinápticos hay:

vesículas sinápticas que contienen neurotransmisores (NT).  Los NT se encargan de

pasar el impulso nervioso hacia otra neurona, músculo o glándula.

Células glia - Son células que tienen a su cargo ayudar a la neurona en diversas
funciones (Ej., intercambio de fluidos, eliminar desechos metabólicos).  Esto
permite a la neurona ser más eficiente.

Células Shuann- Es un tipo de célula glia que tienen a su cargo producir la mielina

Función de la neurona
Introducción:

En términos generales, la función de la neurona es transmitir información.

Esa información se transmite en la forma de impulsos nerviosos.

El impulso viaja en una sola dirección: se inicia en las dendritas, se concentra en el

soma y pasa a lo largo del axón hacia otra neurona, músculo o glándula.

El impulso nervioso es de naturaleza electroquímica, o sea, que es una corriente

eléctrica producida por gradientes de concentraciones de sustancias químicas que
tienen cargas eléctricas.

El proceso global de transmisión de un impulso nervioso puede ser dividido

en varias fases: el potencial de reposo, el potencial de acción, el desplazamiento
del potencial de acción a lo largo del axón y la transmisión sináptica.  Veamos
cada uno de ellos.

El potencial de reposo.

Se llama así al estado en que se encuentra una neurona que no esta transmitiendo un
mensaje o impulso nervioso.

En su estado de reposo la neurona esta en un estado de tensión o cargada, lista para

disparar, o sea, para iniciar un mensaje.

Ese estado de tensión se debe a un desbalance en las cargas eléctricas dentro y

fuera de la neurona, en particular entre el interior y el exterior del axón.
El desbalance eléctrico es provocado por concentraciones desiguales de iones de K+,
Na+ , Cl-- y proteínas con carga negativa en el interior y el exterior del axón.
Particularmente, hay una mayor concentración de Na+ en el exterior del axón a la
vez que las proteínas con carga negativa no pueden salir.  El resultado neto de
ese desbalance químico es que el interior de la neurona esta cargado
negativamente respecto al exterior.  La carga es de aproximadamente -70
milivoltios.

Ese desbalance es mantenido a la fuerza por un sistema de bombas ubicados en los

puntos de intercambio (o sea, en los nódulos de Ranvier).  Es esta carga negativa
que tiene la neurona en su estado de reposo (o sea, cuando no esta transmitiendo
el impulso nervioso) lo que se conoce como el potencial de reposo, o sea, su
fuerza (potencial) para iniciar una acción (o sea, un impulso nervioso).

El potencial de acción

Es el nombre con el que se designa un cambio drástico en la carga.  

Electroquímica de la neurona, en particular del axón.

El cambio se suscita cuando la neurona recibe algún tipo de estimulación externa.

Esa estimulación se inicia en los mensajes que las dendritas de la neurona
recogen de su alrededor.  Tales mensajes se van concentrando en el soma, en
particular en el punto donde comienza el axón.

Si esas estimulaciones son lo suficientemente intensas, van generar un disturbio en la

base del axón que va a tener como consecuencia que en el punto de intercambio
(o sea, el nódulo de Ranvier) más cercano a la base del axón se abran ciertos
canales que permiten el libre flujo del  Na+ al interior del axón.

Esto tendría< como consecuencia un cambio drástico en las cargas eléctricas.

Dentro y fuera del axón.  La carga eléctrica cambiará aproximadamente de -70mv  a
+40mv.

 Ese cambio en la carga eléctrica es lo que se le conoce como el potencial de

acción.

Propagación del potencial de acción a lo largo del axón

El primer potencial de acción generar< a su vez nuevos disturbios en las <reas

adyacentes en el interior del axón.

Esos disturbios (que no son sino desbalances en las cargas eléctricas adyacentes)
van a afectar el próximo punto de intercambio (o sea, el próximo nódulo de
 Ranvier) donde los canales se abrirán y dejaran entrar el Na+, produciéndose en
ese punto un nuevo potencial de acción.

Ese potencial de acción afectar< el próximo punto de intercambio donde se generar<

otro potencial de acción.

Esa secuencia de potenciales de acciones desde la base del axón hasta su final es lo
que se conoce como un impulso nervioso.

Una vez se inicia el primer potencial de acción en la base del axón, este continuar<
propagándose a lo largo del axón. No importa cuán intenso sea la estimulación
inicial, si esta supera el umbral (o intensidad mínima necesaria) el impulso
nervioso ser< siempre de igual magnitud.  A esto se le conoce como el principio
del todo o nada.

 El período refractario

Es el tiempo que tarda la neurona en retornar al potencial de reposo.

Durante ese período de recuperación, la neurona es incapaz de emitir otro impulso
nervioso.

La transmisión sináptica

Cuando el potencial de acción llega a los botones sinápticos, hace que las vesículas
sinápticas se peguen a la membrana abriéndose y liberando a la sinapsis los
neurotransmisores (NT)

La sinapsis es el espacio entre la membrana de los botones sinápticos de la neurona

que lleva el mensaje y la membrana de las dendritas de la neurona, músculo o
glándula que va a recibir el mensaje
Cuando los NT son liberados a la sinapsis, éstos se desplazan hasta la membrana
objetivo y allí se adhieren en lugares específicos

Cuando el NT llega a la membrana objetivo tiene como resultado excitarla para que
emita una señal o inhibirla de emitir mensajes

Los neurotransmisores son los que, al incidir sobre las dendritas, inician un nuevo
disturbio en la próxima neurona cuyo resultado puede ser que el impulso se
transmita a través de esa neurona.  El efecto puede ser también una contracción
muscular o una secreción glandular

Más sobre los neurotransmisores

Los NT guardan una relación llave cerradura respecto al lugar donde se adhieren.
Esto quiere decir que la relación es específica: ciertos NT pueden adherirse en
determinados lugares y producen reacciones específicas.

Además, Dependiendo del lugar es la función que puede desempeñar el NT ya sea

como inhibidor o excitador.

También, dependiendo del lugar un mismo NT puede estar relacionado con diferentes
procesos psicológicos o actividades mentales.

Ejemplos de NT y sus funciones principales

Acetilcolina (Ach)

A nivel muscular actúa como un excitador cuya función principal es provocar la

contracción muscular.  Venenos como el curare y el botulismo actúan bloqueando
la función de la Ach a nivel muscular.  El efecto puede ser la muerte por paro
respiratorio o cardíaco.

Se ha encontrado también que la Ach desempeña un papel importante en la

formación de memorias en el hipocampo. En los pacientes de Alzheimer se ha
encontrado bajos niveles de Ach en el hipocampo. Estos pacientes padecen
pérdida de memoria.

Dopamina

A nivel muscular actúa como inhibidor.  Su función principal es  lograr una mayor
coordinación del movimiento muscular

En los pacientes con el mal de Parkinson los niveles de dopamina son bajos.  Una de
las características de estos pacientes es la falta de coordinación de los
movimientos musculares.  Se ha utilizado el medicamento L-dopa en el
tratamiento de esta condición
Por otro lado, en pacientes esquizofrénicos se ha encontrado un sobre uso de
dopamina en ciertas <reas del lóbulo frontal, lo que se asocia con las
alucinaciones que algunos de estos pacientes experimentan.

Noradrenalina

Este NT se encuentra en diferentes <reas del cerebro.  El mismo ha sido asociado
con el estado de alerta en términos generales.  Desbalances en Noradr. (ya sea
que esté muy alto o bajo) tiene como consecuencias alteraciones en el estado de
<nimo  (Ej. estado depresivo o de agitación).

Se sabe que la cocaína y las anfetaminas incitan la liberación de Norad. en la sinapsis

y disminuyen su reabsorción.  El efecto neto es que se produce un estado de
alerta  y excitación continuo e intenso.  

Serótonina

Ha sido relacionada al estado de <nimo y también al mecanismo del sueño.  El

desbalance de esta sustancia ha sido asociado con condiciones como depresión,
alcoholismo e insomnio.

Endorfinas u opioides naturales

Actúan principalmente como inhibidor del dolor.  También son capaces de producir un
estado de euforia (sensación de placer, bienestar y sentido de competencia).

b.   Las llamadas drogas opioides u opiáceas actúan  simulando los efectos  de las
endorfinas.

Neurona artificial

La unidad de procesamiento artificial equivalente a una neurona biológica intenta imitar los
aspectos de esta en cuanto a su comportamiento y funcionamiento. De este modo se
disponen de unas entradas y salidas, como en las neuronas biológicas, que transmitirán
valores, bien reales o binarios de una neurona a otra, en vez de señales electroquímicas.

 
 Estructura de una neurona artificial

Debido a que en las neuronas biológicas no todas las conexiones entre axones y dendritas
(sinapsis) tienen la misma concentración de iones, su conductividad es diferente, de modo
que una conexión tendrá mayor preferencia sobre otra con menor conducción. Para reflejar
esto se plantean una serie de pesos en las conexiones de entrada wi que ponderarán las
entradas definiendo así el estado interno o nivel de activación de la célula.

La salida depende de este estado interno y se define a partir de una función denominada
función de activación, que puede ser bien lineal, una función umbral o una función
cualquiera que dependerá de la arquitectura de la red elegida.

El modelo de neurona artificial, por lo tanto, consta de los siguientes elementos:

         Entradas xi de la célula

         S={s1,…sn} : Estado interno de la neurona o nivel de activación de la célula

E  x1 ·w j1  x2 ·w j 2  x3 ·w j 3  ...  xn ·w jn

         Función de activación o de salida: Permite cambiar el estado de la célula en base

a las entradas y define las nuevas salidas. S  f (E )

Funciones de activación y de combinación

La función de activación o de salida de las neuronas es la que define el estado de las

neuronas y sus nuevas salidas, en función del estado interno S  f (E ) . Este estado E del
sistema se obtiene mediante una función de combinación, que normalmente suele ser una
función lineal, tal como se ha visto en la sección anterior.

Esta función, en general, suele ser de los siguientes tipos:

1
f1 ( x) 
         Sigmoidal, con rango de (0,1): 1  ex

 
 1  e x
f 2 ( x) 
         Tangente hiperbólica, con rango de (-1,1): 1  ex

         Lineal, con rango de (-1,1): f 3 ( x)  x

En general, no todas las neuronas de una misma red han de disponer de la misma función
de activación.
Existen, además, ciertos tipos de red como las redes de Base Radial, en las que las neuronas
disponen de una forma diferente de activación.

Conjunto de neuronas: Capas de la red

Las neuronas se agrupan entre ellas en tres tipos de capas:

         Capa de entrada: actúa de buffer ante los datos de los patrones de entrada se
introducen a la red.

         Capas ocultas: Puede haber una, varias o bien no existir dependiendo de la
topología de la red y de la potencia de esta. Normalmente, las neuronas ocultas
son las que realmente realizan el procesado de los datos, de forma que cuanto
más complejo sea el problema, habrá que introducir más neuronas en estas capas.

         Capa de salida: Actúa de buffer de salida y ofrece la salida de la red

Arquitectura básica de la red

De este modo, se denominará red al conjunto de capas, que abarcan las diferentes neuronas
de un mismo nivel y las conexiones entre ellas.

Obviamente, la configuración de la red dependerá de las topologías de conexión que se

establezcan, así como de las funciones de transferencia de las neuronas, aunque en la figura
se muestra una red con conexiones hacia delante (feed-forward), las redes pueden tener
conexiones hacia atrás, en lo que se verá más adelante, y se denominarán redes recursivas.
La Neurona Biológica

Del cerebro, visto a alto nivel y simplificando su estructura, podríamos decir que es
un conjunto de millones y millones de unas células especiales, llamadas neuronas,
interconectadas entre ellas por sinapsis. Las sinapsis son las zonas donde dos
neuronas se conectan y la parte de la célula que está especializada en ello son las
dendritas y las ramificaciones del axón.

Cada neurona desarrolla impulsos eléctricos que se transmiten a lo largo de una

parte de la célula muy alargada llamada axón, al final del axón este se ramifica en
ramificaciones axonales que van a conectarse con otras neuronas por sus dendritas.
El conjunto de elementos que hay entre la ramificación axonal y la dendrita forman
una conexión llamada sinapsis que regula la transmisión del impulso eléctrico
mediante unos elementos bioquímicas, los neurotransmisores.

Los neurotransmisores liberados en las sinapsis al final de las ramificaciones

axonales pueden tener un efecto negativo o positivo sobre la transmisión del
impulso eléctrico de la neurona que los recibe en sus dendritas. La neurona
receptora recibe varias señales desde las distintas sinapsis y las combina
consiguiendo un cierto nivel de estimulación o potencial.
En función de este nivel de activación, La neurona emite señales eléctricas con una
intensidad determinada mediante impulsos con una frecuencia llamada tasa de
disparo que se transmiten por el axón.
Si consideramos que la información en el cerebro esta codificada como impulsos
eléctricos que se transmiten entre las neuronas y que los impulsos se ven
modificados básicamente en las sinapsis cuando las señales son químicas podemos
intuir que la codificación del aprendizaje estará en las sinapsis y en la forma que
dejan pasar o inhiben las señales segregando neurotransmisores.
En resumen y simplificando mucho todo el tema a lo que nosotros necesitamos
saber, podríamos decir que la información en el celebro se transmite mediante
impulsos eléctricos, que viajan por las neuronas biológicas y por señales químicas
que comunican las neuronas con otras neuronas en sus bordes usando unas
estructuras llamadas sinapsis.

La neurona artificial como símil de la neurona

biológica

Las neuronas artificiales son modelos que tratan de simular el comportamiento de

las neuronas descritas en el apartado anterior 3. Cada neurona se representa como
una unidad de proceso que forma parte de una entidad mayor, la red neuronal.
Como se ve la ilustración, dicha unidad de proceso consta de una serie de Entradas
Xi, que equivalen a las dendritas de donde reciben la estimulación, ponderadas por
unos pesos Wi , que representan como los impulsos entrantes son evaluados y se
combinan con la función de red que nos dará el nivel de potencial de la neurona.
La salida de la función de red es evaluada en la función de activación que da lugar a
la salida de la unidad de proceso.

Como se puede ver en la siguiente ilustración, La neurona artificial se comporta

como la neurona biológica pero de una forma muy simplificada.

Por las entradas Xi llegan unos valores que pueden ser enteros, reales o binarios.
Estos valores equivalen a las señales que enviarían otras neuronas a la nuestra a
través de las dendritas.

Los pesos que hay en las sinapsis Wi, equivaldrían en la neurona biológica a los
mecanismos que existen en las sinapsis para transmitir la señal. De forma que la
unión de estos valores (Xi y Wi) equivalen a las señales químicas inhibitorias y
excitadoras que se dan en las sinapsis y que inducen a la neurona a cambiar su
comportamiento.

Estos valores son la entrada de la función de ponderación o red que convierte estos
valores en uno solo llamado típicamente el potencial que en la neurona biológica
equivaldría al total de las señales que le llegan a la neurona por sus dendritas. La
función de ponderación suele ser una la suma ponderada de las entradas y los
pesos sinápticos.

La salida de función de ponderación llega a la función de activación que transforma

este valor en otro en el dominio que trabajen las salidas de las neuronas.
Suele ser una función no lineal como la función paso o sigmoidea aunque también
se usa funciones lineales

El valor de salida cumpliría la función de la tasa de disparo en las neuronas

biológicas. Suele ser la función identidad aunque hay sistemas en que no es así pero
estos sistemas sobrepasan el nivel de esta introducción así que nos quedamos con
lo más sencillo suponemos que la salida devuelve la identidad
A modo de resumen esta lista expresa todos los símiles que usamos:

Neuronas Biológicas Neuronas Artificiales

Conexiones sinápticas Conexiones ponderadas
Efectividad de las sinapsis Peso de las conexiones
Efecto excitador o inhibidor de una conexión Signo del peso de una conexión
Efecto combinado de las sinapsis Función de propagación o de red
Activación -> tasa de disparo Función de activación -> Salida

Funciones en el modelo de Neurona Artificial.

El modelo de neurona artificial que hemos expuesto en el apartado anterior, modela la

neurona como una serie de funciones que se componen entre ellas siendo los resultados
unas los parámetros de otras, así la funcion de ponderación hace uso de los valores que le
llegan de las entradas y los pesos de las sinapsis y la funcion de activación toma este valor
para transformarlo en el estado de la neuronas mediante la interacción de estas funciones se
procesa la información.
En este apartado, especificaremos con más detalle las diferentes las funciones que
participan en el modelo.

Función de propagación o ponderación

Esta función se encarga de transformar las diferentes entradas que provienen de la sinapsis
en el potencial de la neurona.
Normalmente se usa como función de propagación la suma ponderada de las entradas
multiplicadas por los pesos. En esta función se interpreta como un regulador de las señales
que se emiten entre neuronas al ponderar las salidas que entran a la neurona.

Otra regla de propagación usada es la distancia euclídea. Usada en los mapas de kohonen y
algunas redes competitivas.En ella, los pesos sinápticos funcionan de manera distinta al
anterior ya que lo que hacen es aproximarse lo máximo posible al vector de entrada. Es
utilizada en redes no supervisadas para que se ajuste a los patrones.
Otra versión de esta función es la misma pero con la distancia de Manhattan esto es en vez
de usar el uadrado usamos el valor absoluto.En esta regla de propagación los pesos tienen la
misma interpretación que la anterior, da la medida del parecido entre el patrón de entrada X
y los pesos W.

Función de activación

La función de activación combina el potencial postsinaptico, que nos proporciona la

función de propagación, con el estado actual de la neurona para conseguir el estado futuro
de activación de la neurona. Sin embargo, es muy común que las redes neuronales no
tomen su propio estado como un parámetro y que por tanto no se considere . Esta función
es normalmente creciente monótona y podemos citar las funciones más comunes:

Lineal:
Algunas redes neuronales usan esta función de activación como el Adeline por su eficiencia
y facilidad.

Escalón:
Esta función es la más usada para redes neuronales binarias ya que no es lineal y es muy
simple. Algunas redes que usan esta función son el Perceptrón y Hopfield. Para redes que
trabajan en el rango [-1,1] se usa la funcion signo

Hiperbólicas o tangenciales:
Las redes con salidas continuas, como el Perceptron multicapa con retropropagación, usan
esta función ya que su algoritmo de aprendizaje necesita una función derivable

Función de Salida.

Esta función convierte el estado de la neurona en la salida hacia la siguiente neurona que se
transmite por las sinapsis. Usualmente no se considera y se toma la identidad, esto es, de
manera que la salida es el propio estado de activación de la neurona.

Existen algunas redes que transforman su estado de activación en una salida binaria y para
eso usan la función escalón antes mostrada como salida.

Otra opción, consiste en usar funciones probabilísticas como en la máquina de Boltzman.

Las redes con este tipo de salidas no tienen un comportamiento determinista.

Estructuras de las Redes Neuronales Artificiales

Introducción

Las redes neuronales típicamente están formadas por una serie de capas de neuronas que
están unidas entre si mediante sinapsis.
Las neuronas artificiales como unidades independientes no son muy eficaces para el
tratamiento de la información y se agrupan en estructuras más grandes, las redes de
neuronas artificiales o redes neuronales.

En este apartado veremos las estructuras más comunes que forman las neuronas para
formar redes. Para ello abordare el tema desde dos vistas distintas el número de capas y la
forma de interconexión de las capas.

Niveles de Neuronas:

La distribución de neuronas dentro de la red se realiza formando niveles o capas de un

número determinado de neuronas cada una. A partir de su situación dentro de la red se
pueden distinguir tres tipos de capas:

De entrada: estas capas reciben la información desde el exterior.

De Salida: estas envían la información hacia el exterior
Ocultas: son capas que solo sirven para procesar información y comunicar otras Capas.

Según algunos autores, las capas de entrada y de salida no son validas para producir
procesamiento, y son usadas solo como sensores. Tras plantearlo de diferentes modos
nuestro marco de trabajo se ha diseñado de manera que puede usarse de las dos maneras,
podemos usar las capas de entrada y salida para procesar o simplemente como sensores.

Forma de Conexión de las Capas:

Las neuronas se conectar unas a las otras usando sinapsis.

Si miramos más detenidamente observamos que estas uniones a nivel de capa forman
distintas estructuras. Podemos distinguir varias como:

Unión Todos con Todos:

Consiste en unir cada neurona de una capa con todas las neuronas de la otra capa. Este tipo
de conexionado es el más usado en las redes neuronales, se usa en todo tipo de uniones
desde el Perceptron multicapa a las redes de Hopfield o BAM
Unión Lineal:

Consiste en unir cada neurona con otra neurona de la otra capa. Este tipo de unión se usa
menos que el anterior y suele usarse para unir la capa de entrada con la capa procesamiento,
si la capa de entrada se usa como sensor. También se usa en algunas redes de aprendizaje
competitivo

Predeterminado:

Este tipo de conexionado aparece en redes que tienen la propiedad de agregar o eliminar
neuronas de sus capas y de eliminar también conexiones.
Si establecemos un orden en las capas podemos establecer conexiones hacia delante, hacia
atrás o conexiones laterales. Esto sirve para clasificar las redes en feedforward o hacia
delante, no tienen ninguna conexión hacia atrás, y feedback o hacia atrás que si permiten
este tipo de conexiones.

Las conexiones laterales son conexiones entre neuronas de la misma capa, este tipo de
conexión son muy comunes en las redes mono capa. Si la red admite que las neuronas
tengan conexiones a sí mismas se dice que la red es auto recurrente.