Definicion Redes Neuronales

Son 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 que colaboran entre s para producir un estmulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales.

Funcionamiento de una Red Neuronal

Una neurona artificial tiene dos modos de funcionamiento: Las neuronas deben ser previamente entrenadas para reconocer patrones. Esto se hace de la siguiente manera: Se coloca como valores de entrada de la neurona el patrn a aprender (p.ej. usando la neurona del ejemplo, el patrn 1 1 0) y despus se incrementan los pesos de las entradas utilizadas(en este caso la 1 y la 2, que son las que estn a 1) y se decrementan los de las no utilizadas. Los valores de los pesos oscilan generalmente entre -1 y 1, aunque estos valores pueden ser otros. La velocidad a la que se ajustan esos pesos vara segn el nmero de ejemplos con los que se vaya a entrenar a la red. Cuantos ms ejemplos se le vayan a poner a la red, con mayor lentitud debe variar la tasa de aprendizaje. Puede parecer que cuanto ms rpido se ajusten los pesos de las neuronas ms rpido va a aprender a reconocer un determinado patrn, pero esto, que puede ser cierto a veces para una neurona, generalmente no lo es para una red neuronal con muchas neuronas. Adems, incluso en el caso de una neurona sola, siempre es mejor poner muchos ejemplos con una tasa de aprendizaje lenta que no poner unos pocos con una tasa de aprendizaje rpida. Una vez entrenada la neurona, se utiliza para reconocer ese patrn entre otros. Ahora basta con presentar un patrn a la neurona, que devolver un valor dependiendo del patrn. Entonces, basta con interpretar el resultado; la neurona habr reconocido el patrn cuando produzca una salida mayor que una determinada cantidad, y no lo habr reconocido cuando la salida sea menor que esa cantidad.

Estructura de Una Red Neuronal

La estructura de una neurona artificial es la siguiente: En el esquema (ver siguiente pagina), 1 2 y 3 son los valores de entrada de la neurona, y w1, w2, w3 son los pesos de cada entrada. (3 en este ejemplo, pero puede ser otro nmero) El valor de salida de la neurona es el sumatorio de cada valor de entrada multiplicado por su peso correspondiente. La f (de funcin) indica que no siempre se emplea el sumatorio directamente, sino que a veces se

ajusta el valor para que est comprendido entre un rango determinado (por ejemplo, de 0 a 16)

Ventajas de una Red Neuronal

Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que estn basadas en la estructura del sistema nervioso, principalmente el cerebro. Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cul es la salida (respuesta) esperada. Auto organizacin: Una RNA crea su propia representacin de la informacin en su interior, descargando al usuario de esto. Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma redundante, sta puede seguir respondiendo de manera aceptable aun si se daa parcialmente. Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin de entrada, como seales con ruido u otros cambios en la entrada (por ejemplo si la informacin de entrada es la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente). Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras o en dispositivos electrnicos especiales, se pueden obtener respuestas en tiempo real.

Modelos de Redes Neuronales

El Perceptrn dentro del campo de las redes neuronales tiene dos acepciones.Puede referirse a un tipo de red neuronal artificial desarrollado por Frank Rosenblatt.Y dentro de la misma teoria de Frank Rosenblatt. Tambin puede entenderse como la neurona artificial y unidad bsica de inferencia en forma de discriminador lineal. Es decir un algoritmo capaz de generar un criterio para

seleccionar un grupo, El adaline (de ADAptative LINear Element) es un tipo de red neuronal artificial desarrollada por el profesor Bernie Widrow y su alumno Ted Hoff en la Universidad de Stanford en 1960. La memoria asociativa es el almacenamiento y recuperacin de informacin por asociacin con otras informaciones. Un dispositivo de almacenamiento de informacin se llama memoria asociativa si permite recuperar informacin a partir de conocimiento parcial de su contenido, sin saber su localizacin de almacenamiento. A veces tambin se le llama memoria de direccionamiento por contenido.

Topologias de una Red Neuronal

Una primera clasificacin de las redes de neuronas artificiales que se suele hacer es en funcin del patrn de conexiones que presenta. As se definen tres tipos bsicos de redes: Dos tipos de redes de propagacin hacia delante o acclicas en las que todas las seales van desde la capa de entrada hacia la salida sin existir ciclos, ni conexiones entre neuronas de la misma capa de red neuronal y su clasificacin. Monocapa. Ejemplos: perceptrn, Adaline. Multicapa. Ejemplos: perceptrn multicapa. Las redes recurrentes que presentan al menos un ciclo cerrado de activacin neuronal. Ejemplos: Elman, Hopfield, mquina de Boltzmann.

Aplicaciones de una Red Neuronal Artificial

Las caractersticas de las RNA las hacen bastante apropiadas para aplicaciones en las que no se dispone a priori de un modelo identificable que pueda ser programado, pero se dispone de un conjunto bsico de ejemplos de entrada (previamente clasificados o no). Asimismo, son altamente robustas tanto al ruido como a la disfuncin de elementos concretos y son fcilmente paralelizables. Esto incluye problemas de clasificacin y reconocimiento de patrones de voz, imgenes, seales, etc. Asimismo se han utilizado para encontrar patrones de fraude econmico, hacer predicciones en el mercado financiero, hacer predicciones de tiempo atmosfrico, etc. Tambin se pueden utilizar cuando no existen modelos matemticos precisos o algoritmos con complejidad razonable, por ejemplo la red de Kohonen ha sido aplicada con un xito ms que razonable al clsico problema del viajante (un problema para el que no se conoce solucin algortmica de complejidad

polinmica). Otro tipo especial de redes neuronales artificiales se ha aplicado en conjuncin con los algoritmos genticos (AG) para crear controladores para robots. La disciplina que trata la evolucin de redes neuronales mediante algoritmos genticos se denomina Robtica Evolutiva. En este tipo de aplicacin el genoma del AG lo constituyen los parmetros de la red (topologa, algoritmo de aprendizaje, funciones de activacin, etc.) y la adecuacin de la red viene dada por la adecuacin del comportamiento exhibido por el robot controlado (normalmente una simulacin de dicho comportamiento).