Está en la página 1de 76

ALTAMIRANO DE LA BORDA KAD JOSEP CORRALES VALCARCEL CECILIA LOURDES GARCIA GONZALES LUIS ALFREDO PRADO CAHUANA MARTIN

JESUS

UNIVERSIDAD CATOLICA DE SANTA MARIA


FACULTAD DE CIENCIAS E INGENIERIAS FISICAS Y FORMALES

INGENIERIA DEL CONOCIMIENTO

Fundamentos, Informtica, Diseo y Aplicacin

El

cerebro humano es el sistema de clculo ms complejo que conoce el hombre. El ordenador y el hombre realizan bien diferentes clases de tareas; as la operacin de reconocer el rostro de una persona resulta una tarea relativamente sencilla para el hombre y difcil para el ordenador, mientras que la contabilidad de una empresa es tarea costosa para un experto contable y una sencilla rutina para un ordenador bsico.

La

capacidad del cerebro humano de pensar, recordar y resolver problemas ha inspirado a muchos cientficos intentar o procurar modelar en el ordenador el funcionamiento del cerebro humano. Un grupo de investigadores ha perseguido la creacin de un modelo en el ordenador que iguale o adopte las distintas funciones bsicas del cerebro. El resultado ha sido una nueva tecnologa llamada Computacin Neuronal o tambin Redes Neuronales Artificiales.

La neurona es la unidad fundamental del sistema nervioso y en particular del cerebro. Cada neurona es una simple unidad procesadora que recibe y combina seales desde y hacia otras neuronas. Si la combinacin de entradas es suficientemente fuerte la salida de la neurona se activa. El cerebro consiste en uno o varios billones de neuronas densamente interconectadas. El axn (salida) de la neurona se ramifica y est conectada a las dendritas (entradas) de otras neuronas a travs de uniones llamadas sinapsis. La eficacia de la sinapsis es modificable durante el proceso de aprendizaje de la red.

Las

redes neuronales artificiales RNA o ANN es un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas en una red que colabora para producir un estmulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales.

CARACTERISTICAS
Estn inspiradas en las redes neuronales biolgicas del cerebro humano.

Estn constituidas por elementos que se comportan de forma similar a la neurona biolgica en sus funciones ms comunes.

En las Redes Neuronales Artificiales, ANN, la unidad anloga a la neurona biolgica es el elemento procesador ,PE (PROCESS ELEMENT).

Las redes neuronales artificiales al margen de "parecerse" al cerebro presentan una serie de caractersticas propias del cerebro. Por ejemplo las ANN aprenden de la experiencia, generalizan de ejemplos previos a ejemplos nuevos y abstraen las caractersticas principales de una serie de datos.

10

ELEMENTO PROCESADOR (PE)


Un elemento procesador tiene varias entradas y las combina, normalmente con una suma bsica. La suma de las entradas es modificada por una funcin de transferencia y el valor de la salida de esta funcin de transferencia se pasa directamente a la salida del elemento procesador.

La salida del PE se puede conectar a las entradas de otras neuronas artificiales (PE) mediante conexiones ponderadas correspondientes a la eficacia de la sinapsis de las conexiones neuronales.

11

FUNCIONES

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a travs de interconexiones y emite una salida. Esta salida viene dada por tres funciones:

Consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexin (valor neto). Si el peso es positivo, la conexin se denomina excitatoria; si es negativo, se denomina inhibitoria.

La Funcin de Activacin de un nodo define la salida de un nodo dada una entrada o un conjunto de entradas. Se podra decir que un circuito estndar de computador se comporta como una red digital de funciones de activacin al activarse como "ON" (1) u "OFF" (0), dependiendo de la entrada.

Se aplica al valor devuelto por la funcin de activacin. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretacin que queramos darle a dichas salidas.

12

VENTAJAS

Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que estn basadas en la estructura del sistema nervioso, principalmente el cerebro.

APRENDIZAJE

TOLERANCIA A FALLOS

TIEMPO REAL

FLEXIBILIDAD

AUTO ORGANIZACIN

13

CRITERIOS DE CLASIFICACION

Pueden ser clasificadas de diferentes maneras acorde a una o ms de sus caractersticas. Generalmente, la clasificacin de la RNAs se basan en:
La funcin que realiza (reconocimiento de patrones, clustering)

2 3

El grado (total/parcial) de conectividad de las neuronas en la red La direccin del flujo de informacin dentro de la red (recurrente o no recurrente) El tipo de algoritmo de aprendizaje, que representa un conjunto de ecuaciones sistemticas que utilizan las salidas obtenidas a lo largo de la red con una medida del rendimiento arbitraria para actualizar la estructura interna de la RNA. Las reglas de aprendizaje . de aprendizaje necesitada para el

5 6

El grado de supervisin entrenamiento de la RNA .

14

CLASIFICACIONES DE LAS RNAS

SEGN SU NATURALEZA: Dependiendo de la naturaleza de su entrada que puede ser continua o binaria (discreta).

15

SEGN SU TOPOLOGA:

Red

Feedforward y Backforward: que son dos tipos de redes de propagacin hacia adelante o acclicas en las que las seales van desde la capa de entrada hacia la de salida, sin existir ciclos ni conexiones, entre neuronas de la misma capa. En funcin de su estructura pueden ser de dos clases: Monocapa: Perceptrn o el Adeline Multicapa: Perceptrn Multicapa Red Recurrente: Que presenta al menos un ciclo cerrado de activacin neuronal (Elman y Hopfield)

16

SEGN SU ALGORITMO DE APRENDIZAJE:

APRENDIZAJE SUPERVISADO
Necesitan un conjunto de datos de entrada previamente clasificado o cuya respuesta sea conocida por ejemplo: Perceptrn simple, Backpropagation ,Perceptrn multicapa, Memoria Asociativa Bidireccional.

APRENDIZAJE AUTO ORGANIZADO


No necesitan un conjunto de datos previamente organizados . Por ejemplo: Memorias Asociativas, Hopfield. La mquina de Boltzman y la mquina de Cauchy, redes de aprendizaje competitivo, Kohonen y redes de resonancia adaptativa(ART).

REDES HBRIDAS
Es una combinacin de las 2 anteriores en donde se emplea una funcin de mejora para facilitar la convergencia: Por ejemplo las redes de base radial.

APRENDIZAJE REFORZADO
Estn ubicadas entre el supervisado y el auto organizado.

17

Perceptrn 1.Perceptrn simple 2.Perceptrn multicapa. Redes de Hopfield Redes ART (Adaptative Resonance Theory) Mapas Autoorganizados (Redes de Kohonen) Propagacin hacia atrs (Backpropagation) Redes de Neuronas de Base Radial Memorias asociativas Mquina de Boltzmann Mquina de Cauchy Redes de Elman Adaline Red de Contrapropagacin Redes de neuronas de aprendizaje competitivo Crecimiento dinmico de clulas Gas Neuronal Creciente

18

El Perceptrn es un tipo de red neuronal artificial desarrollado por Frank Rosenblatt, tambin puede entenderse como una neurona artificial y unidad bsica de inferencia . Es, en esencia, un dispositivo que, dada la presencia de uno o varios fenmenos de entrada, permite representarlo(s) mediante una seal de salida fcilmente reconocible. Ahora bien, si dotamos a este simple dispositivo de varios canales de entrada (dos o ms), le habremos agregado una notable mejora ya que podr discriminar o diferenciar entre distintos fenmenos de entrada variables y entregarnos una salida que representar el criterio diferenciador o resultado de la interaccin entre las entradas.

19

Sistema capaz de realizar tareas de clasificacin de forma automtica. A partir de un nmero de ejemplos etiquetados, el sistema determina la ecuacin del plano discriminante. Puede usarse como neurona dentro de otro tipo de red de neurona artificial. Aprendizaje supervisado y conexiones en un slo sentido. Es reconocido por su capacidad de aprender a reconocer patrones Es un modelo unidireccional compuesto por dos capas de neuronas. Con respecto al entrenamiento las neuronas de entrada son discretas y la funcin de activacin de las de salida es de tipo escaln

20

El perceptrn multicapa es una red neuronal artificial (RNA) formada por mltiples capas, esto le permite resolver problemas que no son linealmente separables, lo cual es la principal limitacin del perceptrn (tambin llamado perceptrn simple). El perceptrn multicapa puede ser totalmente o localmente conectado. En el primer caso cada salida de una neurona de la capa "i" es entrada de todas las neuronas de la capa "i+1", mientras que en el segundo cada neurona de la capa "i" es entrada de una serie de neuronas (regin) de la capa "i+1"

21

Las

capas pueden clasificarse en tres tipos:

Constituida por aquellas neuronas que introducen los patrones de entrada en la red. En estas neuronas no se produce procesamiento.

Formada por aquellas neuronas cuyas entradas provienen de capas anteriores y cuyas salidas pasan a neuronas de capas posteriores.

Neuronas cuyos valores de salida se corresponden con las salidas de toda la red.

22

La red Hopfield tiene una nica capa de unidades procesadoras.

Cada una de las unidades procesadoras tiene un valor o nivel de activacin, tambin llamado estado, que es binario (tambin llamada Red Hopfield Binaria).

Se considera que la red Hopfield tiene un estado en cada momento; este estado se define por el vector de unos y ceros constituido por los estados de todas las unidades procesadoras.

23

Una caracterstica de las redes Hopfield es la doble conexin por cada pareja de unidades procesadoras Adems los pesos asignados a ambas conexiones tienen el mismo valor.

24

Esta

red presenta algunas caractersticas basadas en las neuronas biolgicas y en particular resuelve satisfactoriamente el dilema estabilidad plasticidad caracterstico del cerebro humano. Las redes ART presentan la plasticidad o flexibilidad necesaria para aprender nuevos patrones y evitan las modificaciones en los patrones aprendidos previamente.

25

La red ART tiene dos modelos, ART1 que acepta solo vectores de entradas binarias, y ART2 que admite tambin entradas continuas (analgicas). Se presenta el modelo primero que es ms sencillo e ilustra los principales aspectos de la red ART. El ncleo de la red ART consiste en dos capas interconectadas y en una serie de bloques que realizan funciones de control requeridas en las fases de entrenamiento y clasificacin.

26

Tambin llamados mapas Auto-organizados o SOM (Self-Organizing Map), son un tipo de red neuronal no supervisada, competitiva, distribuida de forma regular en una rejilla de, normalmente, dos dimensiones, cuyo fin es descubrir la estructura subyacente de los datos introducidos en ella. A lo largo del entrenamiento de la red, los vectores de datos son introducidos en cada neurona y se comparan con el vector de peso caracterstico de cada neurona. La neurona que presenta menor diferencia entre su vector de peso y el vector de datos es la neurona ganadora (o BMU) y ella y sus vecinas vern modificados sus vectores de pesos.

27

Rejilla de neuronas Las neuronas de la SOM estn distribuidas en forma de rejilla de una o dos dimensiones, dependiendo de la manera en que se quieran visualizar los datos. En las SOM de dos dimensiones, se pueden distinguir dos tipos de rejillas: Rejilla hexagonal: en ella cada neurona tiene seis vecinos (excepto los extremos). Rejilla rectangular: cada neurona tiene cuatro vecinos.
Relacin entre Neuronas Las neuronas mantienen con sus vecinas relaciones de vecindad, las cuales son claves para conformar el mapa durante la etapa de entrenamiento. Esta relacin viene dada por una funcin.

28

Espacio de entrada y de salida Cada neurona de la red tiene asociado un vector de pesos (o de prototipo) de la misma dimensin que los datos de entrada. ste sera el espacio de entrada de la red, mientras que el espacio de salida sera la posicin en el mapa de cada neurona.

29

La propagacin hacia atrs de errores o retropropagacin. Es un algoritmo de aprendizaje supervisado que se usa para entrenar redes neuronales artificiales.

El algoritmo consiste en minimizar un error (comnmente cuadrtico) por medio de descenso de gradiente, por lo que la parte esencial del algoritmo es clculo de las derivadas parciales de dicho error con respecto a los parmetros de la red neuronal.

30

Las redes de base radial son un tipo de redes de neuronas artificiales que calculan la salida de la funcin en funcin de la distancia a un punto denominado centro. Al igual que con los perceptrones multicapa, sirven como aproximadores universales

Son redes de tipo multicapa que tienen conexiones hacia delante y que slo tienen una capa oculta. Mientras que las neuronas ocultas poseen carcter local, las neuronas de salida realizan una combinacin lineal de las activaciones de las neuronas ocultas. Este tipo de redes construyen aproximaciones que son combinaciones lineales de mltiples funciones locales no lineales. Entre sus aplicaciones se encuentran anlisis de series temporales, procesamiento de imgenes, reconocimiento automtico del habla, diagnsticos mdicos, etc.

31

Cada neurona de las redes de base radial tienen 3 capas diferentes en total: Capa de entrada: Transmiten las seales de entrada a las neuronas ocultas sin realizar procesamiento, es decir, las conexiones de la capa de entrada a la capa oculta no llevan pesos asociados. Capa oculta: Realizan una transformacin local y no lineal de dichas seales. Capa de salida: Realiza una combinacin lineal de las activaciones de las neuronas ocultas.

32

Generalmente las RNAs son ms robustas y casi siempre superan otras herramientas computacionales en resolver una variedad de problemas de muchas categoras:
CLASIFICACIN DE PATRONES CLUSTERING FUNCIN DE APROXIMACIN (MODELAMIENTO)

FORECASTING

OPTIMIZACIN

ASOCIACIN

CONTROL

33

Rama del conocimiento, de carcter multidisciplinario, cuyo objeto de estudio son los procesos de identificacin, caracterizacin, clasificacin y reconstruccin sobre conjuntos de objetos o fenmenos, as como el desarrollo de teoras, tecnologas y metodologas relacionadas con dichos procesos.

Trata de asignar un patrn de entrada desconocido, usando un aprendizaje supervisado , de una a varias clases preespecificadas basadas en una o mas propiedades que caracterizan a una clase dada.

34

Clasificacin de glbulos blancos

Seguimiento de pupila

35

El trmino cluster (a veces espaolizado como clster) se aplica a los conjuntos o conglomerados de computadoras construidos mediante la utilizacin de hardwares comunes y que se comportan como si fuesen una nica computadora. Es realizado va aprendizaje no supervisado en donde los clusters (clases) son formados explorando las similitudes y diferencias entre los patrones de entrada basados en sus inter correlaciones. La red asigna patrones similares al mismo cluster.

36

Hoy en da desempean un papel importante en la solucin de problemas de las ciencias, las ingenieras y del comercio moderno. La tecnologa de clsteres ha evolucionado en apoyo de actividades que van desde aplicaciones de Supercmputo y software de misiones crticas, servidores web y comercio electrnico, hasta bases de datos de alto rendimiento, entre otros usos.

37

Incluye entrenamiento de entradas y salidas de datos tanto como aproximar las reglas subyacentes relacionadas con las entradas a las salidas.

1.
2.

Donde ningn modelo terico est disponible. Para reemplazar modelos tericos que son difciles de analizar utilizando datos obtenidos de dichos modelos.

38

Incluye entrenamiento de una RNA en muestras de una serie de tiempos representando un cierto fenmeno en un escenario y luego usndolo para otros escenarios para predecir (forecast) el comportamiento en tiempos subsecuentes. Eso es que, la red predecir desde 1 a ms observaciones histricas previamente conocidas.

39

Se preocupa en encontrar una solucin que maximice o minimice una funcin objetivo a un conjunto de constantes. Optimizacin es un campo de la matemtica muy establecido, sin embargo las RNAs, as como las redes de Hopfield fueron encontradas para hacer ms eficiente el resolver problemas de optimizacin complejos y no lineales.

40

Involucra desarrollar un patrn asociado a una RNA para la formacin ideal de datos libres de ruido y, posteriormente, utilizar esta RNA para clasificar los datos corruptos de ruido (por ejemplo, para la deteccin de la novedad). La red asociativa puede tambin usarse para corregir (reconstruir) los datos daados o completamente perdidos

41

Va

de la mano con disear una red, normalmente recurrente, que ayudar a un sistema de control adaptativo a generar las entradas de control requeridas tal que el sistema seguir una cierta trayectoria basada en un sistema de retroalimentacin

42

Es

el procedimiento mas famoso para poder entrenar las redes neuronales. distinguen claramente dos fases

Se

Se aplica un patrn de entrada Se calcula el error cometido

43

Uso

del Algoritmo BP .

N -> nmero de nodos W -> conexin de peso Interprayer -> capas X -> activacin de la neurona

44

45

Constituye

un ciclo de 6 fases.

FASE 1 : Definicin del problema


Adecuada

comprensin

Relacin

causa efecto

46

FASE 2 : Diseo
Se

determina el tipo de ANN

Recopilacin

de datos

47

FASE 3 : Realizacin del sistema

Formacin

de la red.

Seleccin

de parmetros.

48

FASE

4 :Verificacin del Sistema

Viendo la capacidad de ANN

Comparacin de eficacia

49

FASE

5 :De implementacin del sistema.

Integridad.

La prueba final.

50

FASE

6 : Mantenimiento del Sistema

51

Antes de poder abordar el entrenamiento de alguna red tenemos que tener en cuenta temas relevantes para su desarrollo

52

Tamao y particin de la base de datos


Tienen que ser lo sufrientemente grandes. De hace una particin en tres subgrupos.

Capacitacin
Prueba Validacin

53

Equilibrio

y enriquecimiento de los datos.

Eliminacin del ruido Distribucin de datos

54

Normalizacin

de datos

Para evitar:
Anulacin

pequeos.

de datos

Saturacin

nodos.

prematura de

55

Una

gran parte de las aplicaciones de REDES NEORONALES ARTIFICIALES (RNA) se da en la microbiologa. Resultados de diversos estudios indican que las RNA son ms robustas y rpidas en comparacin con las tcnicas tradicionales.

Carson (1995) utilizo las RNA para la identificacin automtica de Eschericha Coli O157:H7 GC Data, Vallejo Crdoba (1995), aplicaron las RNAs para la determinacin de la duracin de la leche Horimoto (1997) utilizo las RNAs para clasificar los defectos microbianos de la leche.

56

Ambos estudios mostraron mayor desempeo de las RNAs sobre la regresin por mnimos cuadrados y anlisis principal. Ramos-Nio et al. (1997) compar el desempeo de RNAs a la regresin lineal mltiple en el desarrollo de QSAR para modelar el efecto de los cidos benzoico y cinmico en la inhibicin de Listeria monocytogenes, y encontr mejores predicciones de las RNA. Hajmeer et al. (1996, 1997,1998) desarroll redes neuronales para predecir el crecimiento de Saccharomyces cerevisiae, Shigella flexneri y E. coli O157: H7, que superaron a los correspondientes modelos tradicionales

57

Las curvas de crecimiento de S. Flexneri sern modeladas usando BP RNAs. Data obtenida de Zaika que incluye la generacin de curvas de crecimiento para 124 combinaciones de temperatura Zaika alineo las curvas experimentales a (log conteo de registros, L vs. tiempo, t) a la ecuacin de Gompertz expresada como
L(t)=A+ C exph2exp[2B(t2M)]j
Donde: A = logaritmo del nivel inicial de los microrganismos C = nivel asintomtico como t -> , M = tiempo correspondiente al nivel mximo de la taza de crecimiento B = taza relativa de crecimiento en t= M. C, B y M son detalles experimentales, por lo que dependen de A y las condiciones de funcionamiento. T 12 -27 , PH 5.57.5, [NaCl]=0.54.0%, and [NaNO ]=01000 ppm.

58

Zaika

re calculaba los parmetros de la ecuacin y los parmetros de crecimiento eran determinados. los parmetros de crecimiento obtenidos, fueron analizados respecto a las condiciones de funcionamiento correspondientes (T, pH, [NaCl], y [NaNO ]) Hajmeer (1997) creo RNAs alternativas a estas ecuaciones, que mejoro la precisin de la prediccin. Para el desarrollo del RNA, seleccionamos 12 curvas con [NaCl]52.5% y [NaNO ]50 ppm.

59

Las curvas se muestran en la figura 10 con un T = 15 37 y un pH = 5.0-7.5. Como podemos ver los recuentos mximos para las 12 curvas estn entre 2 registros y el tiempo entre cada pico varia entre 10 y 1000 horas.

60

En

los RNAs para el modelamiento de curvas de crecimiento se pueden agregar todos los parmetros en un solo modelo. El modelo de la dependencia del tiempo de crecimiento puede ser expresada como
L= f(A,T,pH,t),
Donde: f = Es la representacin matemtica que representa el proceso subyacente. El propsito del modelamiento de una RNA es disear una RNA tan aproximada como sea posible a la funcin f.

61

La capa de entrada de la RNA contiene las variables independientes A, T, pH y t, y el nodo de salida ser L. Una sola capa escondida fue utilizada en desarrollar la RNA 1.- Los datos de entrada y salida fueron normalizados en un rango uniforme entre 0.05 y 0.95 usando la ecuacin siguiente :

La base de datos fue dividida en dos. Para seleccionar los datos de prueba desde dentro del dominio de datos de entrenamiento, los 12 (pH, T) pares fueron colocados en una trama de pH-T solo 2 curvas fueron usadas para la prueba [(pH, T )5(6.0, 37.0), (6.5, 28.0)]. Las 10 restantes fueron usadas para entrenamiento

62

63

La data codificada de manera que cada punto de la curva, este representa de por un vector cuya entrada esta compuesta por A, T, pH, y t, y la salida L es la adecuada, esto dio un total de 252 puntos de data de entrenamiento y 52 puntos de data de prueba.

64

2.-Se usaron varios rangos de aprendizaje y momentos. Pero volvieron inestable a la Red.
Los

valores adecuados fueron n= 50.10 y u= 50.90. El entrenamiento fue detenido cuando el error fue <= 0.001 en cada combinacin o 5000 iteraciones, lo que ocurra primero.

Si las 5000 iteraciones ocurrieran, la red era expandida aadiendo un nodo escondido mas.

65

3.- El error fue computado en 3 modos diferentes:


Una combinacin SSE R2 La media de los valores absolutos del error relativo (denotado por MARE), expresado en porcentaje la adicin de un tercer nodo, result en una disminucin significativa de la SSE (10-fold). El nivel optimo de al red se logro al 10mo nodo escondido entrenado para 2800 ciclos.

66

67

Usando R2 en los datos de entrenamiento (R2 se incremento de 0.4 a 0.9).

68

Para esta RNA, la medida de la precisin de prediccin fueron R2 (datos de entrenamiento) = 0.982 R2 (datos de prueba) = 0.992 MARE (datos de entrenamiento) = 5.92% MARE (datos de prueba) = 3.39% SSE = 21.25 para 262 puntos de datos de entrenamiento (i.e. 0.081 por punto) y SSE = 4.27 para 52 puntos de prueba de prueba (i.e. 0.082 por punto).

69

4.- La RNA 4-10-1 fue utilizada para simular el entrenamiento (Por ejemplo: recordar) y la prueba (por ejemplo prediccin) de las curvas de crecimiento.

70

La figura muestra un ejemplo de curvas simuladas con sus contrapartes experimentales.

71

5.- Una caracterstica del modelo obtenido es la habilidad de simular otras curvas de crecimiento no previstas. como la red es emprica, es esencial que sea utilizada entre los rangos usados en este desarrollo (T=15378C, pH 5.07.5, A5=2.56 3.11, t=01000 h).

72

Seleccionamos 3 nuevas (pH, T ) combinaciones (5.5, 25.0), (6.5, 25.0), and (6.5, 35.0), para estudiar el efecto del crecimiento del pH a temperatura constante (T= 25.08C) y el efecto en la temperatura a pH= 6.5 constante.

73

La simulacin se muestra en la fig. anterior donde se ejecuto la Red 4-10-1, donde A= 3.00 hasta 100 horas. Se puede observar que incrementado el pH, aumentara el recuento de pico por 3 registros, mientras que el aumento de la temperatura de 25 a 35C aumentara ligeramente el crecimiento.

74

La capacidad de procesar informacin de las RNAS, y su habilidad de aprender de ejemplos, hacen que estas sean paradigmas eficientes de resolucin de problemas. Una aplicacin BP RNA es desarrollada para encontrar la dependencia de tiempo en las curvas de crecimiento para el S. flexneri en un ambiente salado y bajo los efectos de al temperatura y el pH; es presentada con propsitos ilustrativos. El incremento en la utilizacin de RNAs esta ligada a las caractersticas que poseen, por ejemplo:
A) La habilidad de reconocer y aprender los procesos subyacentes relacionados entre la entrada y salida . B) La alta tolerancia a la data que contiene ruido y a la medicin del error debido al procesamiento distribuido dentro de la red.

75

La RNAs tambin posee debilidades que deben ser consideradas. Estas son
A) El xito depende de la calidad y cantidad de datos. B) La falta de normas o directrices claras fijas, para la arquitectura optima de las RNAs, C) La falta de relaciones y conceptos fsicos. D) La inhabilidad de explicar de forma clara el proceso por el cual la RNA tomo la decisin (i.e. consideradas cajas negras).

Volver hibridas a las RNAs con aproximaciones conceptuales como los sistemas expertos pueden producir fuertes paradigmas computacionales para resolver problemas complejos y computacionalmente caros. Recientemente las RNAs han atrado la atencin de la comunidad microbiolgica, particularmente en el rea de la espectrometra de masas de pirolisis y el crecimiento de organismos microbiolgicos en la comida.

76

GRACIAS...