Tecnológico Nacional de México

Ingeniería electrónica

Inteligencia Artificial Neuronal

Octavo Semestre

Ensayo
Redes neuronales artificiales

Oscar Raúl Suárez Farías

15290380
Lunes 11 de marzo del 2019
Desde la antigüedad el hombre siempre se ha preguntado que lo distingue de los demás
animales, cual es esa característica que nos hace únicos y nos permite reservarnos el
termino inteligentes para nosotros mismos. Esto llevado a tiempos modernos hizo a los
científicos del siglo XX pensar que estas capacidades que caracterizan al ser humano
podrían ser replicadas con suficiente estudio y análisis del tema. Su objetivo era diseñar
maquinas que sean capaces de trabajar sin intervención humana y resolver problemas
en ambientes no estructurados e inciertos.

A una maquina con estas características bastaría presentarle un problema, ella llegaría
a la solución por medio de una interacción continua con el medio que presenta el
problema. Sin embargo, los avances significativos en las redes neuronales en el siglo XX
se vieron frenados por las limitaciones tecnológicas de la época que hacía difícil o
imposible procesar la gran cantidad de datos que requiere el diseñar sistemas
inteligentes. Para poder entender las redes neuronales artificiales se debe primero
entender por lo menos a grandes rasgos el funcionamiento de una red neuronal biológica
que es en la cual están basadas las artificiales.

Las neuronas son un componente básico del sistema nervioso, incluyendo al mismo
tiempo al cerebro, estas son células que presentan una forma especial, tienen tres partes
principales, las dendritas, el cuerpo de la célula o soma y el axón. La membrana de la
neurona genera impulsos eléctricos y transfiere información a otras neuronas por medio
de la sinapsis, la información a lo largo de los axones por medio de impulsos eléctricos.
El estimulo es creado por la información que llega a través de las dendritas. El impulso
se propaga a lo largo del axón por el cambio de conductancia de la membrana que abre
y cierra los canales a los iones de sodio y potasio. Los potenciales de acción alcanzan
una amplitud máxima de unos 100mV y duran aproximadamente 1ms. Sin embargo, las
neuronas no están solas, en el cuerpo humano habitan redes neuronales, estas están
constituidas por un gran numero de neuronas, conectadas en forma masiva, ellas
conforman el sistema nervioso y el cerebro.
En cambio, las redes neuronales artificiales son modelos simplificados de las redes
neuronales biológicas, estas intentan imitar el funcionamiento del cerebro para resolver
problemas complejos como la visión, el reconocimiento de patrones o el control moto-
sensorial que caracteriza a los animales incluyendo al ser humano. Una neurona artificial
esta compuesta de una señal de entrada esta ingresa la señal a los pesos sinápticos,
estos están conectados a un punto de suma al punto de suma al mismo tiempo ingresa
un bias, este punto de suma tiene una salida conectada a una función de activación que
es la que nos proporciona la salida de nuestra neurona. Las neuronas artificiales
adquieren el conocimiento experimentalmente mientras varían los pesos de
interconexión constantemente.

En términos matemáticos es posible describir una neurona k escribiendo un par de

ecuaciones, donde las x representan las señales de entrada y ω los respectivos pesos
sinápticos de la neurona K mientras que b subíndice k representa el bias y la letra griega
phi la función de activación.
𝑚

𝑢𝑘 = ∑ 𝜔𝑘𝑗 𝑥𝑗 𝑦𝑘 = 𝜑(𝑢𝑘 + 𝑏𝑘 )
𝑗=1

Las neuronas pueden poseer distintas funciones de activación denotadas por la letra φ(v)
esta define la salida de la neurona en función del potencial de activación v. Las funciones
de activación básicas para una neurona son: Función escalón o umbral, función lineal a
tramos y función sigmoidal.

La parte mas importante de una red de neuronas artificial es el aprendizaje, este

determina el tipo de problemas que la red será capaz de resolver, la capacidad de una
red neuronal de resolver un problema esta ligada de forma fundamental al tipo de
ejemplos de que dispone en el proceso de aprendizaje es por eso por lo que el
aprendizaje
debe poseer algunas características como el ser significativo, con esto me refiero a la
cantidad de ejemplos con los que cuenta la red neuronal, si las muestras no son
significativas la red no será capaz de adaptar sus pesos de forma eficaz, un ejemplo
seria la inteligencia artificial que utiliza Google para reconocer rostros, esta conto con
una cantidad de ejemplos que supera la barrera del millón. Otra característica importante
para el aprendizaje de la red neuronal es que el aprendizaje debe ser representativo, los
componentes del conjunto deberán ser diversos, si un conjunto de aprendizaje tiene
muchos ejemplos, pero estos se parecen entre sí, la red se especializara en dicho
subconjunto de datos y provocara que la red no pueda ser de aplicación general. El
proceso general de aprendizaje de una red neuronal consiste en la determinación de los
valores precisos de los pesos para todas sus conexiones que la capacite para la
resolución de problemas de manera eficiente. El proceso general de aprendizaje consiste
en ir introduciendo paulatinamente todos los ejemplos del conjunto de aprendizaje y
modificar los pesos de las conexiones siguiendo un determinado esquema de
aprendizaje. Una vez realizado esto se comprueba si el resultado obtenido converge con
el resultado deseado de no ser así, se repite el proceso. El criterio de convergencia
depende del tipo de red utilizado o del tipo de problema a resolver estos pueden ser:

1. Mediante un numero determinado de ciclos, se decide priorizar cuantas veces

será introducido todo el conjunto y una vez alcanzado dicho numero se detiene el
proceso de aprendizaje.
2. Cuanto el error descienda por debajo de la cantidad prestablecida, en este caso
habrá que definir en primer lugar el error deseado, se puede establecer cuando el
valor de error es aceptable para la función que desempeña la red neuronal.
3. Cuando la modificación de los pesos sea irrelevante, en algunos modelos se
define un esquema de aprendizaje que hace que las conexiones continúen
modificándose cada vez con menor intensidad, si el proceso de aprendizaje
continua llegara un momento donde no se seguirán realizando variaciones.
La tecnología con redes neuronales ha ido tomando forma en el siglo XXI sus
aplicaciones son diversas, aun que se utilizan para los mismos principios tales como
reconocimiento de patrones, como ser: buscar un patrón en una serie de ejemplos,
clasificar patrones, completar una señal a partir de valores parciales o reconstruir el
patrón correcto partiendo de uno distorsionado. Sin embargo, está creciendo el uso de
redes neuronales en distintos tipos de sistemas de control.

Refiriéndonos particularmente a una de las aplicaciones mas extendidas de las redes

neuronales como lo es la asociación y clasificación de patrones En esta aplicación, los
patrones de entrada estáticos o señales temporales debe ser clasificadas o reconocidas
por la red neuronal permitiendo a esta desempeñar la tarea que se le asigne, este tipo
de aplicación para una red neuronal es utilizada por ejemplo en líneas de producción
electrónica para el control de calidad o incluso utilidades no empresariales como la
detección de rostro o de sonrisas para las cámaras de los teléfonos inteligentes.

Otra de las aplicaciones ampliamente extendidas de las redes neuronales es la

regeneración de patrones En muchos problemas de clasificación, una cuestión a
solucionar es la recuperación de información, esto es, recuperar el patrón original dada
solamente una información parcial.

Una aplicación más de las redes neuronales es la regeneración y generalización el

objetivo de la generalización es dar una respuesta correcta a la salida para un estímulo
de entrada que no ha sido entrenado con anterioridad. El sistema debe inducir la
característica saliente del estímulo a la entrada y detectar la regularidad. Tal habilidad
para el descubrimiento de esa regularidad es crítica en muchas aplicaciones. Esto hace
que el sistema funcione eficazmente en todo el espacio, incluso cuando ha sido
entrenado por un conjunto limitado de ejemplos.
Con todo lo anterior no queda claro que las redes neuronales a pesar de ser una
disciplina en plena pubertad se han desarrollado bastante en los últimos años en gran
parte a que el hardware actualmente nos permite generar aplicaciones de utilidad real
que antes jamás habrían sido posibles, tal vez estas puedan generar una nueva década
de avances sin precedentes con la aparición de la computación cuántica o con el uso
cada vez mas generalizado de los FPGA en conjunto con las redes neuronales no queda
más que esperar.
Bibliografía
 Simon Haykin. (2009). Neural Networks and Learning Machines. United States of
America: Pearson Prentice Hall.
 Pedo Isasi Viñuela Inés M. Galván León. (2004). Redes de Neuronas Artificiales
Un Enfoque Practico. Madrid(España): Pearson Prentice Hall.
 Edgar Nelson Sánchez Camperos Alma Yolanda Alanís García. (2006). Redes
Neuronales Conceptos fundamentales y aplicaciones a control automático.
Madrid(España): Pearson Prentice Hall.