Redes Neuronales

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.