Professional Documents
Culture Documents
CURSO:
CICLO ACADÉMICO: IX
PIURA – PERÚ
2019
Neurona biológica
Reseña biológica del cerebro
El cerebro humano se puede considerar como uno de los más sofisticados, lo que le
permite tener una de las gamas más extensas de comportamientos diferentes entre sí del
reino animal. Aunque no sea proporcionalmente el de mayor tamaño; pues lo superan los
cerebros de varias otras especies animales, como los de algunas especies de delfines o de
roedores. Pero sí es el que posee el más alto índice de encefalización del reino animal,
pues alcanza el grado siete mientras que algunos cetáceos el número cuatro.
El cerebro humano se divide en cinco partes bien definidas: el bulbo raquídeo, el cerebelo,
los dos hemisferios y el cuerpo calloso que los une. A su vez estas partes se subdividen
en zonas que cumplen, cada una, roles particulares.
En el hombre, como ya se ha podido comprobar científicamente, existen tres clases de
neuronas: las sensitivas, las interneuronas y las neuronas motoras. Estas clases se dividen,
a su vez, en subclases más especializadas. Entre ellas podemos citar las sensitivas donde
se encuentran neuronas con terminaciones ciliadas, que sirven para detectar las
vibraciones del aire u olores, o las que están asociadas con células sensitivas
especializadas como las fotorreceptoras.
El análisis del funcionamiento del cerebro humano, es importante considerar que éste se
apoya sobre todo en la recepción y el procesamiento de los datos que le mandan las
neuronas sensitivas, situadas en las diversas partes del cuerpo de cada ser. Dichas
neuronas se ubican en todo el cuerpo del individuo. Pero, las que mayor importancia
tienen para establecer el contacto con el medio ambiente son las que están situadas en los
órganos que constituyen los distintos sentidos. Los estímulos, de origen externo o interno
a la persona, son captados por medio de varias clases de receptores que pueden ser de tipo
químico-receptor, foto-receptor, termo-receptor o mecánico-receptor.
Como ya se comprobó, científicamente, los receptores transforman los estímulos
recibidos en señales energéticas. Cuando éstos no integran una neurona sensitiva, en
algunos casos, las transmiten a células sensitivas especializadas que las amplifican y las
transmiten a su vez a las neuronas sensitivas con las cuales están directamente conectadas,
lo que implica que el cerebro humano nunca recibe directamente los estímulos captados
por los receptores sino únicamente los productos de sus efectos sobre las neuronas
sensitivas. Éstos son mandadas al encéfalo por medio del axón de las neuronas sensitivas,
o a otras neuronas que los transmiten a dicho encéfalo por medio de su propio axón. En
cada una de estas etapas son amplificadas, como lo demuestran los distintos estudios
realizados sobre este tema.
Cada variedad de receptores capta una clase particular de estímulos. Cualquiera sea la
forma bajo la cual se manifiestan, sea calorífica, mecánica, luminosa, etc., éstos son
transformados por los receptores en señales energéticas de tipo electro-químico, como lo
comprueban las experiencias realizadas sobre este hecho. Por supuesto, estas señales,
productos de los efectos generados por los estímulos sobre los receptores pueden ser
extremadamente variables en diferencia de potencial, intensidad y frecuencia, por tener
orígenes muy diversos, según la clase de receptores que los han captados.
Como cada neurona sensitiva transmite estas señales por medio de su único axón al
encéfalo, se puede afirmar que éstas son recibidas por las neuronas receptoras cerebrales
bajo la forma de una única señal.
En la Fig. se observa que existen variables comprendidas desde x1 hasta xn, también se
tiene pesos desde w1 hasta wn, las variables se multiplican por los pesos correspondientes
y el resultado de la sumatoria de los productos ingresa a la neurona, el cual es enviado al
exterior mediante una función de activación.
Funciones de activación
La señal Net (salida) generalmente se procesa por medio de una función de activación F,
la cual producirá una señal que será la salida (Out) de la neurona.
La función F también puede ser alguna otra función que simule mejor las características
no lineales de transferencia de una neurona biológica.
Si F reduce el rango de Net de manera que Out nunca salga de algún límite,
independientemente de lo grande que sea Net, entonces F es una función sigmoidal, una
función de este tipo es la función logística.
La función de activación se encarga de transforma el valor de red expresado por la función
de base u (w, x). Las funciones de activación más comunes son:
Función lineal:
Los valores de salida obtenidos por medio de esta función de activación serán: a·(gini -
Θi), cuando el argumento de (gini - Θi) esté comprendido dentro del rango (-1/a, 1/a). Por
encima o por debajo de esta zona se fija la salida en 1 o –1, respectivamente. Cuando a =
1 (siendo que la misma afecta la pendiente de la gráfica), la salida es igual a la entrada.
Función sigmoidea:
Los valores de salida que proporciona esta función están comprendidos dentro de un
rango que va de 0 a 1. Al modificar el valor de g se ve afectada la pendiente de la función
de activación.
Función tangente hiperbólica:
Estructuras de conexión
2. Conexiones hacia atrás: Los datos de las neuronas de una capa superior
son propagados hacia las neuronas de la capa inferior por medio de las
redes de conexiones hacia adelante.
El Tamaño de las Redes depende del Número de Capas y del Número de Neuronas
Ocultas por Capa.
1. Número de capas: En una Red Multicapa, hay una o más capas de neuronas
ocultas entre la entrada y la salida. El número de capas se cuenta a menudo
a partir del número de capas de pesos en vez de las capas de neuronas).
Normalmente, cada nodo de salida se usa para representar una clase. Si tomamos
un problema de reconocimiento alfanumérico, habrá 36 clases y 36 nodos de
salida. Dado un patrón de entrada en la fase de prueba, el ganador es normalmente
el nodo que tiene el valor más alto a la salida.
ALL CLASS IN ONE NETWORK – ACON: Todas las clases son reconocidas
dentro de una única Súper Red.
Una manera es definir y atribuir explícitamente los pesos a cada una de las conexiones de
la RNA, usando el conocimiento de un experto, como en el caso de las redes
bidireccionales. Otra forma es entrenar a la red con un algoritmo de entrenamiento, que
ira automáticamente ajustando los pesos de la red. Para el entrenamiento, existen dos
técnicas, el aprendizaje supervisado y el aprendizaje no supervisado.
En caso que la respuesta producida por la red sea diferente de la respuesta esperada, la
red genera un error, éste se usa para calcular el ajuste de los pesos sinápticos. Los pesos
son alterados para aproximar los resultados de las salidas esperadas. Ese proceso se repite
con todo el conjunto de entrenamiento, hasta que la red obtenga un error aceptable o
ningún error. Al final del entrenamiento, cuando el aprendizaje de la red no converge, se
aumenta el número de épocas de entrenamiento, alterar el número de neuronas de cada
capa o el número de capas de la red.
No supervisado o autoorganizado: la red conoce un conjunto de patrones sin
conocer la respuesta deseada. Debe extraer rasgos o agrupar patrones similares.
Se presenta a la red sólo las entradas, dejando de lado las salidas deseadas. Se
utiliza un esquema tal que, para ejemplo de cosas semejantes, la red responde de
modo semejante. La red se encamina iterativamente, en un proceso interno, propio
de categorización de la información de entrada, también conocido como "data
clustering", donde los datos de entrada son clasificados en categorías en las
salidas.