REDES

NEURONALES
ARTIFICIALES
(RNA)

En el campo de la inteligencia artificial

se refiere habitualmente de forma ms
sencilla como redes de neuronas o
redes neuronales. Se trata de un
sistema de interconexin de neuronas
en una red que colabora para producir
un estmulo de salida.

QU SON LAS REDES NEURONALES?

Modelo computacional, paralelo, compuesto de
unidades procesadoras adaptativas con una alta
interconexin entre ellas.
Dispositivos o software programado de manera tal
que funcionen como las neuronas biolgicas de los
seres vivos.
Modelos matemticos desarrollados para emular el
cerebro humano.

OBJETIVO

Conseguir que las mquinas den

respuestas similares a las que es
capaz de dar el cerebro que se
caracterizan por su generalizacin y
su robustez.

FUNCIONAMIENTO
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:
- Propagacin o excitacin: 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.
- Activacin: Modifica a la anterior. Puede no existir, siendo en
este caso la salida la misma funcin de propagacin.
- Transferencia: 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.

DISEO Y PROGRAMACIN DE UNA RNA

Con un paradigma convencional de programacin, el objetivo del
programador es modelar matemticamente el problema en cuestin y
formular una solucin mediante un algoritmo codificado que tenga
propiedades que permitan resolver dicho problema.
En contraposicin, la aproximacin basada en las RNA parte de un
conjunto de datos de entrada suficientemente significativo y el
objetivo es conseguir que la red aprenda automticamente las
propiedades deseadas. En este sentido, el diseo de la red tiene
menos que ver con cuestiones como los flujos de datos y la deteccin
de condiciones, y ms que ver con cuestiones tales como la
seleccin del modelo de red, la de las variables a incorporar y el
preprocesamiento de la informacin que formar el conjunto de
entrenamiento.
As mismo, el proceso por el que los parmetros de la red se
adecuan a la resolucin de cada problema no se denomina
genricamente programacin sino que se suele denominar
entrenamiento.

ESTRUCTURA
Una RNA es muy diferente a un cerebro animal.
Biolgicamente, un cerebro aprende mediante la
reorganizacin de las conexiones sinpticas entre las
neuronas que lo componen. De la misma manera, las
RNA tienen un gran nmero de procesadores virtuales
interconectados que de forma simplificada simulan la
funcionalidad de las neuronas biolgicas. En esta
simulacin, la reorganizacin de las conexiones
sinpticas biolgicas se modela mediante un mecanismo
de pesos, que son ajustados durante la fase de
aprendizaje.

ESTRUCTURA
En una RNA entrenada, el conjunto de los pesos
determina el conocimiento de esa RNA y tiene la
propiedad de resolver el problema para el que la RNA ha
sido entrenada.
Por otra parte, en una RNA, adems de los pesos y las
conexiones, cada neurona tiene asociada una funcin
matemtica denominada funcin de transferencia. Dicha
funcin genera la seal de salida de la neurona a partir
de las seales de entrada. La entrada de la funcin es la
suma de todas las seales de entrada por el peso
asociado a la conexin de entrada de la seal.

VENTAJAS
Las redes neuronales artificiales (RNA) tienen muchas
ventajas debido a que estn basadas en la estructura del
sistema nervioso, principalmente el cerebro.
Aprendizaje: Habilidad de aprender mediante la 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.

VENTAJAS
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.
Tiempo real: La estructura de una RNA es paralela, por lo cul
si esto es implementado con computadoras o en dispositivos
electrnicos especiales, se pueden obtener respuestas en
tiempo real.

CLASIFICACIONES DE LAS RNA

Patrn de conexiones
Tipo de aprendizaje (si necesita o no un
conjunto de entrenamiento supervisado)
Tipo de entrada (que tan capaz es de procesar
informacin de distinto tipo )

ARQUITECTURA NEURONALES

Segn el
nmero de
capas:

Redes neuronales monocapas: Red neuronal ms sencilla

a que se tiene una capa de neuronas que proyectan las
entradas a una capa de neuronas de salida donde se
realizan diferentes clculos.

ARQUITECTURA NEURONALES
Segn el
nmero de
capas:

Redes neuronales multicapa: Es una generalizacin de la

anterior existiendo un conjunto de capas intermedias entre la
entrada y la salida (capas ocultas). Este tipo de red puede estar
total o parcialmente conectada.

ARQUITECTURA NEURONALES
Segn el tipo de conexiones:
- Redes neuronales no recurrentes: En esta
red la propagacin de las seales se produce en
un sentido solamente.
- Redes neuronales recurrentes: Esta red se
caracteriza por la existencia de lazos de
realimentacin.

ARQUITECTURA NEURONALES
Segn el grado de conexin:
- Redes neuronales totalmente conectadas. En este
caso todas las neuronas de una capa se encuentran
conectadas con las de la capa siguiente o con las de la
anterior.
- Redes parcialmente conectadas. En este caso no se
da la conexin total entre neuronas de diferentes capas.

ARQUITECTURA NEURONALES
Aprendizaje supervisado: Necesitan un conjunto de
datos de entrada previamente clasificado o cuya
respuesta objetivo se conoce.
Aprendizaje no supervisado o autoorganizado: No
necesitan de tal conjunto previo.)
Redes hbridas: Son un enfoque mixto en el que se
utiliza una funcin de mejora para facilitar la
convergencia.
Aprendizaje reforzado: Se sita a medio camino entre
el supervisado y el auto organizado.

ARQUITECTURA NEURONALES
Redes analgicas: Procesan datos de entrada
con valores continuos y, habitualmente,
acotados.
Redes discretas: Procesan datos de entrada
de naturaleza discreta; habitualmente valores
lgicos booleanos.

APLICACIONES
Problemas de clasificacin y reconocimiento de patrones de voz,
imgenes, seales, etc.
Encontrar patrones de fraude econmico, hacer predicciones en el
mercado financiero, hacer predicciones de tiempo atmosfrico, etc.
Se utilizan cuando no existen modelos matemticos precisos o
algoritmos con complejidad razonable.
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)

EJEMPLOS DE APLICACIONES
TECNOLGICAS

Reconocimiento de textos manuscritos

Reconocimiento del habla
Simulacin de centrales de produccin de energa
Deteccin de explosivos
Identificacin de blancos de radares