Para empezar a hablar acerca de redes neuronales, primero debemos
tener en cuenta dos conceptos, cual es la definicin de una red neuronal y cuales son los tipos de redes neuronales que hasta hoy conocemos. Comencemos por citar algunas definiciones: Estudio de Redes Neuronales de DARPA (1988, AFCEAInternational Press, p. 60):
"Una red neuronal es un sistema compuesto de muchos elementos procesadores simples operando en paralelo, cuya funcin es determinada por la estructura de la red, fuerza en las conexiones y el procesamiento realizado por los elementos computacionales en los nodos." Dr. Haykin, S. (1994, Neural Networks: A comprehensive foundation, NY, McMillan, P.2): "Una red neuronal es un procesamiento distribuido masivamente paralelo que tiene una tendencia natural para almacenar conocimiento emprico y hacerlo disponible para el uso. Recuerda al cerebro en dos aspectos: 1.- El conocimiento se adquiere por la red a travs de un proceso de aprendizaje. 2.- Las conexiones interneurnicas se conocen como pasos sinpticos y se usan para almacenar el conocimiento." Ya teniendo una breve percepcin de lo que es una red neuronal debemos ahora saber que existen dos tipos de redes neuronales, las redes neuronales biolgicas y las redes neuronales artificiales ANN (Artificial Neural Network).
REDES NEURONALES BIOLGICAS.
Son el principal elemento del Sistema Nervioso. Las redes neuronales biolgicas estn compuestas por un gran nmero de elementos llamados neuronas. Una neurona es una clula compuesta por cuerpo, un nmero de extensiones llamadas dendritas, que sirven de entradas, y una larga extensin llamada axn que acta como salida. La sinapsis conecta el axn de una neurona a las dendritas de las otras neuronas. Las neuronas estn dispuestas en capas. En general las neuronas de una capa reciben entradas desde otra capa y envan sus salidas a neuronas de una tercera. Dependiendo de la aplicacin tambin es posible que las neuronas de una capa reciban entradas y provean salidas a neuronas de la misma capa. Las conexiones entre neuronas tienen pesos asociados que representan la influencia de una sobre la otra. Si dos neuronas no estn conectadas, el correspondiente peso de enlace es cero. Esencialmente, cada una enva su informacin de estado multiplicado por el correspondiente peso a todas las neuronas conectadas con ella. Luego cada una, a su vez, suma los valores recibidos desde sus dendritas para actualizar sus estados respectivos. Se emplea normalmente un conjunto de ejemplos representativos de la transformacin deseada para "entrenar" el sistema, que, a su vez, se adapta para producir las salidas deseadas cuando se lo evala con las entradas "aprendidas". Adems se producirn respuestas cuando, en la utilizacin, se presenten entradas totalmente nuevas para sistema, esto es durante el modo entrenamiento la informacin sobre el sistema a resolver es almacenada dentro del ANN y la red utiliza su modo productivo en ejecutar transformaciones y aprender. De este modo el sistema de red neuronal no reside necesariamente en la elegancia de la solucin particular sino en su generalidad de hallar solucin a problemas particulares, habindose proporcionado ejemplos del comportamiento deseado. Esto permite la evolucin de los sistemas autmatas sin una reprogramacin explcita. Las redes neuronales artificiales se basan en el circuito de procesamiento de entradas en el cual los pesos son sumados. Las funciones de peso sern llamadas desde ahora como atenuadores. En la implementacin, las entradas a una neurona son pesadas multiplicando el valor de la entrada por un factor que es menor o igual a uno. El valor de los factores de peso es determinado por el algoritmo de aprendizaje. Las entradas atenuadas son sumadas usando una funcin no lineal llamada Funcin "Sigmoid". Si la salida de la funcin suma excede el valor de entrada mximo de la neurona, esta responde generando una salida.
REDES NEURONALES ARTIFICIALES.
Las redes neuronales artificiales (ANN) imitan su funcionamiento a aquellas que se encuentran en el mbito biolgico. Son aptas para resolver problemas que no poseen un algoritmo claramente definido para transformar una entrada en una salida; aprenden, reconocen y aplican relaciones entre objetos. Se emplea normalmente un conjunto de ejemplos representativos de la transformacin deseada para "entrenar" el sistema, que, a su vez, se adapta para producir las salidas deseadas cuando se lo evala con las entradas "aprendidas". Adems se producirn respuestas cuando, en la utilizacin, se presenten entradas totalmente nuevas para sistema, esto es durante el modo entrenamiento la informacin sobre el sistema a resolver es almacenada dentro del ANN y la red utiliza su modo productivo en ejecutar transformaciones y aprender. De este modo el sistema de red neuronal no reside necesariamente en la elegancia de la solucin particular sino en su generalidad de hallar solucin a problemas particulares, habindose proporcionado ejemplos del comportamiento deseado. Esto permite la evolucin de los sistemas autmatas sin una reprogramacin explcita. Las redes neuronales artificiales se basan en el circuito de procesamiento de entradas en el cual los pesos son sumados. Las funciones de peso sern llamadas desde ahora como atenuadores. En la implementacin, las entradas a una neurona son pesadas multiplicando el valor de la entrada por un factor que es menor o igual a uno. El valor de los factores de peso es determinado por el algoritmo de aprendizaje. Las entradas atenuadas son sumadas usando una funcin no lineal llamada Funcin "Sigmoid". Si la salida de la funcin suma excede el valor de entrada mximo de la neurona, esta responde generando una salida.
En la figura podemos ver un modelo en capas de una red neuronal artificial, que consiste de un conjunto de neuronas. Cada neurona tiene varias entradas y su salida esta conectada a un conjunto de otros procesadores de entradas. Cuando una ANN funciona en modo normal, a partir de los datos presentados en la entrada, se genera un patrn especfico de salida. La relacin Entrada/Salida ser determinada durante el modo entrenamiento, entonces cuando una entrada conocida es presentada da la salida esperada. El algoritmo de entrenamiento ajusta los pesos de las entradas hasta que se alcanza la salida esperada. Las neuronas en la figura tienen una leve complejidad computacional, porque solo se comunican con las neuronas ms cercanas conectndose de forma simple. Por las caractersticas y capacidades que ofrece la tecnologa VLSI es posible (en costos) construir una Red Neuronal con muchos procesadores.