25 Autores cientfico-tcnicos y acadmicos

INTRODUCCIN
Si tuviramos que definir la principal caracterstica
que nos separa del resto de animales seguramente, la
gran mayora de nosotros, responderamos la capaci-
dad de raciocinio. Esta capacidad nos ha permitido
desarrollar una tecnologa propia de tal manera que, en
estos momentos, esta tecnologa se orienta a descubrir
su origen. Cmo funciona el cerebro? se pueden
construir modelos artificiales que lo emulen? se pue-
den desarrollar mquinas inteligentes? Todas estas pre-
guntas han conducido a un rpido desarrollo de un
campo multidisciplinar del conocimiento conocido
como Inteligencia Artificial (I.A.). Este campo se podra
dividir en dos clases que podramos definir como
macroscpico y microscpico.
En el primero de ellos se intenta modelizar el fun-
cionamiento del cerebro en base a reglas del tipo si
ocurre esto entonces..., el nombre de macroscpico se
debe a que no se toma en cuenta en ningn momento
la estructura interna del cerebro sino que modeliza su
comportamiento en base a un funcionamiento que
podramos definir como global.
En la segunda aproximacin se parte de la estructu-
ra que presenta el cerebro de tal forma que se constru-
yen modelos que tienen en cuenta dicha estructura. De
esta forma aparecen neuronas artificiales que se com-
binan entre s para formar estructuras multicapas
que, a su vez, pueden combinarse para formar
comits de expertos, etc. Esta forma de combinacin
recuerda la estructura en niveles del cerebro. Esta apro-
ximacin de la I.A conocida como redes neuronales
ha sufrido, en los ltimos aos, un incremento especta-
cular en publicaciones, aplicaciones comerciales, nme-
ro de congresos celebrados, etc.
QU SON LAS REDES NEURONALES?
El punto de partida en el estudio del cerebro lo
podramos fijar en pleno siglo XX con los trabajos de
Santiago Ramn y Cajal, uno de nuestros ms grandes
cientficos. Fue l quien desarrolla la idea de neurona
como el componente ms pequeo en la estructura del
cerebro. En casi todos los textos sobre redes neuronales
se establece una analoga entre estos elementos y los
componentes bsicos de un ordenador: las puertas de
silicio. En rdenes de velocidad las neuronas son en
varios rdenes de magnitud ms lentas que las puertas
lgicas de silicio. No obstante, el cerebro suple esta
menor velocidad con un mayor nmero de intercone-
xiones. Tambin hay que destacar la eficiencia del cere-
Emilio Soria, Antonio Blanco
Redes
neuronales
artificiales
Redes
neuronales
artificiales
26 Autores cientfico-tcnicos y acadmicos
bro desde un punto de vista energtico; a pesar del
gran nmero de operaciones realizadas el cerebro no
necesita de un ventilador como las modernas CPUs.
Si hubiera que destacar alguna caracterstica del
cerebro frente al ordenador se destacara la alta inter-
conexin de sus elementos constituyentes ms
pequeos: las neuronas. Esta capacidad de operar en
paralelo le permite realizar tareas que necesitan una
gran cantidad de clculos y tiempo en potentes orde-
nadores. Un ejemplo cotidiano de esta caracterstica es
el reconocimiento de una cara en una fotografa; aun-
que se haya tomado mal y la persona est un poco
girada, la identificacin de dicha persona no nos puede
llevar mucho tiempo. Sin embargo, este giro puede
poner en un serio aprieto a un ordenador. Otro ejem-
plo a destacar es el sistema de identificacin de objetos
de un murcilago. En su cerebro, del tamao de un
garbanzo, alberga un sistema que determina perfecta-
mente la evolucin de un obstculo (velocidad relativa,
posicin, tamao, etc) y todo en cuestin de milisegun-
dos. Sobre este ejemplo sobran las analogas con los
sistemas de radar y sonar creados por el hombre.
No existe una definicin general de red neuronal
artificial, existiendo diferentes segn el texto o artculo
consultado. As nos encontramos con las siguientes
definiciones:
Una red neuronal es un modelo computacional,
paralelo, compuesto de unidades procesadoras
adaptativas con una alta interconexin entre
ellas.
Sistemas de procesado de la informacin que
hacen uso de algunos de los principios que orga-
nizan la estructura del cerebro humano.
Modelos matemticos desarrollados para emular
el cerebro humano.
Sistema de procesado de la informacin que
tiene caractersticas de funcionamiento comunes
con las redes neuronales biolgicas.
Sistema caracterizado por una red adaptativa
combinada con tcnicas de procesado paralelo
de la informacin.
Desde la perspectiva del reconocimiento de
patrones las redes neuronales son una extensin
de mtodos clsicos estadsticos.
Las definiciones expuestas son un botn de mues-
tra pues cada autor las define de una manera. Parece
ser que en todas ellas aparece el componente de simu-
lacin del comportamiento biolgico; veremos ms
adelante (concretamente al tratar el perceptrn multica-
pa) que no todas las redes emulan una determinada
estructura neuronal. Lo que s tienen en comn estos
elementos con el cerebro humano es la distribucin de
las operaciones a realizar en una serie de elementos
bsicos que, por analoga con los sistemas biolgicos,
se conocen como neuronas. Estos elementos estn
interconectados entre s mediante una serie de cone-
xiones que, siguiendo con la analoga biolgica, se
conocen como pesos sinpticos. Estos pesos varan con
el tiempo mediante un proceso que se conoce como
aprendizaje. As pues podemos definir el aprendizaje
de una red como el proceso por el cual modifica las
conexiones entre neuronas, pesos sinpticos, para rea-
lizar la tarea deseada. Veremos ms adelante los dife-
rentes tipos de aprendizaje que existen.
REVISIN HISTRICA
Cuando se narra la corta pero intensa historia de
las redes neuronales tambin conocidas como modelos
conexionistas se suele fijar el origen en los trabajos de
McCulloch y Pitts. Sin embargo, existen trabajos ante-
riores que abrieron el camino a estos investigadores.
Entre estos trabajos podemos destacar el realizado por
Karl Lashley en los aos 20. En su trabajo de 1950 se
resume su investigacin de 30 aos; en su trabajo des-
taca que el proceso de aprendizaje es un proceso distri-
buido y no local a una determinada rea del cerebro.
Un estudiante de Lashley, D. Hebb recoge el testigo de
su maestro y determina una de las reglas de aprendiza-
je ms usadas en la regla del conexionismo y que, lgi-
camente, se conoce con el nombre de aprendizaje heb-
biano. Las contribuciones de este investigador apare-
cen publicadas en su libro The Organization of the
Behavior. En el captulo 4 se da, por primera vez, una
regla para la modificacin de las sinapsis, es decir, una
regla de aprendizaje fisiolgica. Adems propone que
la conectividad del cerebro cambia continuamente con-
forme un organismo aprende cosas nuevas, crendose
asociaciones neuronales con estos cambios. En su pos-
tulado de aprendizaje, Hebb sigue lo sugerido por
Ramn y Cajal al afirmar que la efectividad de una
sinapsis variable entre dos neuronas se incrementa por
una repetida activacin de una neurona sobre otra a
travs de esta sinapsis. Desde un punto de vista neuro-
fisiolgico la regla planteada por Hebb sera una regla
variante-temporal, con un alto mecanismo interactivo
Redes neuronales artificiales
27 Autores cientfico-tcnicos y acadmicos
que incrementa las eficacia sinptica como una funcin
de la actividad pre y post sinptica. Desde un punto de
vista conexionista la regla de Hebb es un tipo de
aprendizaje no supervisado (no se necesita ningn
maestro) en el que las conexiones entre dos neuronas
se incrementan si ambas se activan al mismo tiempo.
La siguiente gran contribucin a considerar es el
trabajo de McCulloch y Pitts. En este trabajo, se fijan
las caractersticas de trabajo de lo que, posteriormente,
se va a conocer como neurona de McCulloch-Pitts.
Este tipo de neurona es un dispositivo binario (salida 0
1), tiene un umbral de funcionamiento por debajo
del cual est inactiva y puede recibir entradas excitado-
ras o inhibitorias cuya accin es absoluta: si existe algu-
na de estas entradas la neurona permanece inactiva. El
modo de trabajo es simple, si no existe ninguna entra-
da inhibidora se determina la resultante de las entradas
excitadoras y si sta es mayor que el umbral, la salida
es 1 y si no, la salida es 0. Se puede observar que, con
un elemento tan simple como el que se acaba de defi-
nir, se pueden implementar un gran nmero de funcio-
nes lgicas mediante su combinacin con elementos
similares. Adems, dado el estado de la neurofisiologa
en 1943, el modelo de McCulloch-Pitts se acercaba a lo
conocido por esa poca acerca de la actividad sinpti-
ca neuronal. Esta capacidad de modelizar funciones
lgicas desat la euforia por estos elementos individua-
les; si se pueden modelizar funciones lgicas, por qu
no implementar un sistema de conocimiento mediante
el uso de estas neuronas? Veremos ms adelante cmo
acab este sueo.
En 1956, Rochester, Holland, Haibt y Duda presen-
tan un trabajo en el que, por primera vez, se verifica
mediante simulaciones una teora neuronal basada en
el postulado de Hebb. Para realizar este trabajo emi-
nentemente prctico, se tuvieron que hacer varias
suposiciones que, inicialmente, no estaban en el traba-
jo de Hebb. Por ejemplo se acot el valor de las sinap-
sis que, en principio, poda crecer sin lmite.
Otro gran genio matemtico, J ohn Von Neumann,
se plante ideas conexionistas: en una recopilacin de
sus trabajos posterior a su muerte sugiere como posible
camino para mejorar los ordenadores, de los cuales se
puede considerar como uno de los padres, el estudio
del sistema nervioso central. En 1958 se producen las
aportaciones de Selfridge y Rosenblatt. Estas contribu-
ciones plantean implementaciones fsicas de sistemas
conexionistas. En su trabajo Selfridge plantea el siste-
ma conocido como Pandemonium. Este sistema consta
de una serie de capas compuestas por lo que se cono-
cen como demonios. Cada una de las diferentes
capas de este sistema se reparten las diferentes tareas a
realizar.
Por su parte, Rosenblatt, quince aos despus del
estudio de McCulloch-Pitts, presenta una nueva aproxi-
macin al problema de reconocimiento de patrones
mediante la introduccin del perceptrn. Rosenblatt,
plante un dispositivo que realizara tareas que le inte-
resaran a los psiclogos (l lo era). El hecho que fuera
una mquina capaz de aprender la haca irresistible-
mente atractiva para los ingenieros.
En 1960 Widrow y Hoff presentan su ADALINE.
Estas siglas tienen una historia curiosa: cuando las
redes neuronales estaban en su mximo apogeo eran
el acrnimo de Adaptive Linear Neuron; cuando las
cosas empezaron a ir mal para las redes neuronales
pero este sistema se segua usando por los buenos
resultados obtenidos con l se cambi a Adaptive Line-
ar Element. El sistema planteado por Widrow estaba
regido por un algoritmo de aprendizaje muy sencillo
denominado LMS (Least Mean Square). Con este tra-
bajo se propone un sistema adaptativo que puede
aprender de forma ms precisa y rpida que los per-
ceptrones existentes. El trabajo de Widrow posibilit el
desarrollo de un rea del procesado digital de seales
(control de sistemas) que se conoce con el nombre de
procesado (control) adaptativo.
Block presenta en 1962 un trabajo que estudia los
perceptrones ms concretamente, presenta resultados
sobre el perceptrn MARK I con 400 dispositivos
receptores fotosensitivos dispuestos en una matriz 20
por 20 con un conjunto de 8 unidades de salida.
Llegamos al trabajo de Minsky y Papert titulado
Perceptrons que paraliz durante 10 aos el avance de
este campo de la inteligencia artificial. Este trabajo, que
fue escrito y expuesto brillantemente, puso de manifies-
to las limitaciones de los perceptrones. Estas limitacio-
nes hacan referencia a la clase de problemas que se
podan resolver usando estos elementos. Minsky y
Papert demostraron que un perceptrn slo poda
resolver problemas linealmente separables que, para
desgracia de los conexionistas, son los menos. Adems
los autores expusieron, y por esto se les ha criticado,
sus opiniones sobre las extensiones de los perceptrones
(a sistemas multicapa); ellos plantearon su absoluta
inutilidad prctica. Tambin hay que tener en cuenta
que, en el momento de la publicacin de su trabajo,
Minsky y Papert trabajaban en otro campo de la inteli-
gencia artificial. Sin embargo, como se demostr ms
tarde, se equivocaron en sus conjeturas.
Redes neuronales artificiales
28 Autores cientfico-tcnicos y acadmicos
El trabajo de Minsky y Papert supuso una paraliza-
cin de los trabajos sobre temas conexionistas, sin
embargo algunos investigadores continuaron trabajando.
Kohonen y Anderson proponen el mismo modelo
de memoria asociativa de forma simultnea. A modo
de demostracin de los diferentes campos de conoci-
miento que engloban los sistemas conexionistas estos
autores tienen una formacin diferente (Kohonen es
ingeniero elctrico y Anderson es neurofisilogo). En el
modelo artificial planteado la neurona es un sistema
lineal que usa como regla de aprendizaje la regla de
Hebb modificada
1
: estamos ante un asociador lineal.
En 1980, Stephen Grossberg, uno de los autores
ms prolficos en el campo de las redes neuronales,
establece un nuevo principio de auto-organizacin
desarrollando las redes neuronales conocidas como
ART (Adaptive Resonance Theory). Grossberg ha plan-
teado diferentes modelos neuronales que han presenta-
do una gran utilidad prctica (principalmente en el
campo del reconocimiento de patrones).
En 1982 J . Hopfield publica un trabajo clave para
el resurgimiento de las redes neuronales. Gran parte
del impacto de este trabajo se debi a la fama de Hop-
field como distinguido fsico terico. En l, desarrolla la
idea del uso de una funcin de energa para compren-
der la dinmica de una red neuronal recurrente con
uniones sinpticas simtricas. En este primer trabajo,
Hopfield slo permite salidas bipolares (0 1). En un
trabajo posterior ampla la funcin energa planteada
para estos sistemas permitiendo la salida continua de
las neuronas. El principal uso de estas redes ha sido
como memorias y como instrumento para resolver pro-
blemas de optimizacin como el problema del viajante.
En el mismo ao de 1982 Kohonen publica un
importante artculo sobre mapas autoorganizativos que
se ordenan de acuerdo a unas simples reglas. El apren-
dizaje que se da en el modelo planteado no necesita de
un maestro; estamos ante un aprendizaje de tipo no
supervisado.
Al ao siguiente, en el nmero especial sobre
modelos neuronales de la revista especializada IEEE
Transactions on Systems, Man and Cybernetics, apare-
cen dos trabajos de gran importancia en el desarrollo
de las redes neuronales. Fukushima, Miyake e Ito pre-
sentan una red neuronal, el Neocognitron, de tal forma
que combinando ideas del campo de la fisiologa, inge-
niera y de la teora neuronal crean un dispositivo que
es capaz de ser aplicado con xito en problemas de
reconocimiento de patrones. Este trabajo, y de ah lo
de Neo, supone un perfeccionamiento de un modelo
anterior presentado por los mismos autores y conocido
como Cognitron. Este sistema fue probado con la tarea
de identificar nmeros escritos a mano.
El segundo trabajo, presentado por Barto, Sutton y
Anderson estudia el aprendizaje reforzado y su aplica-
cin en control. En este trabajo se plantea este nuevo
tipo de aprendizaje en el que, a diferencia de trabajos
anteriores sobre modelos supervisados, no es necesario
un conocimiento total del error cometido por la red; lo
nico que se necesita es conocer el signo del error.
En 1986 aparece un trabajo que, junto al de Hop-
field, resucitar el inters por las redes neuronales. En
este trabajo Rumelhart, Hinton y Williams, desarrollan
el algoritmo de aprendizaje de retropropagacin (back-
propagation) para redes neuronales multicapa dando
una serie de ejemplos en los que se muestra la poten-
cia del mtodo desarrollado. A partir de ese ao, el
nmero de trabajos sobre redes neuronales ha aumen-
tado exponencialmente apareciendo un gran nmero
de aportaciones tanto a los mtodos de aprendizaje
como a las arquitecturas y aplicaciones de las redes
neuronales. Se podra destacar de entre todas estas
aportaciones el trabajo de Broomhead y Lowe y el de
Poggio y Girosi sobre el diseo de redes neuronales en
capas usando RBF (Radial Basis Functions), el trabajo
intensivo desarrollado sobre las mquinas de vectores
soporte, el desarrollo de la unin entre elementos neu-
ronales y difusos y, por ltimo, los trabajos sobre neu-
ronas de pulsos (spike neurons), sobre este tema se
recomienda visitar la pgina WEB
http://diwww.epfl.ch/lami/team/gerstner/wg_pub.html.
Finalmente hay que hacer mencin a uno de los
motores en el desarrollo de las redes neuronales: la
prediccin en series temporales. Una generalizacin de
las redes TDNN (orientadas especialmente para ser
usadas con series temporales) la realiz Eric Wan. En
su trabajo los pesos sinpticos, conexiones sinpticas,
eran filtros digitales.
VENTAJ AS DE LAS REDES NEURONALES
Acabamos de ver el desarrollo histrico de los siste-
mas conexionistas; se ha comprobado que, es una
ciencia multidisciplinar donde ingenieros, psiclogos,
Redes neuronales artificiales
1
El cambio en la sinapsis es proporcional al producto entre la entrada y la salida de la neurona.
29 Autores cientfico-tcnicos y acadmicos
mdicos, matemticos y fsicos tericos han aportado
algn elemento a estas teoras, pero, por qu ese
inters en estos sistemas? qu tienen en especial frente
a otros que podramos denominar clsicos? en definiti-
va qu cosas nuevas nos ofrecen?
Al principio de este captulo se ha comentado que
la potencia computacional de una red neuronal deriva,
principalmente, de su estructura de clculo distribuido
paralelo. Esta estructura le permite la resolucin de
problemas que necesitaran gran cantidad de tiempo
en ordenadores clsicos. Pero aparte de este hecho
aparecen otras propiedades que las hacen especial-
mente atractivas para ser usadas en una gran cantidad
de problemas prcticos:
a) Son sistemas distribuidos no lineales: Una neuro-
na es un elemento no lineal por lo que una inter-
conexin de ellas (red neuronal) tambin ser un
dispositivo no lineal. Esta propiedad permitir la
simulacin de sistemas no lineales y caticos,
simulacin que, con los sistemas clsicos lineales,
no se puede realizar.
b) Son sistemas tolerantes a fallos Una red neuro-
nal, al ser un sistema distribuido, permite el fallo
de algunos elementos individuales (neuronas) sin
alterar significativamente la respuesta total del
sistema. Este hecho las hace especialmente atrac-
tivas frente a los computadoras actuales que, por
lo general, son sistemas secuenciales de tal forma
que un fallo en uno de sus componentes conlle-
va que el sistema total no funcione.
c) Adaptabilidad: Una red neuronal tiene la capaci-
dad de modificar los parmetros de los que
depende su funcionamiento de acuerdo con los
cambios que se produzcan en su entorno de tra-
bajo (cambios en las entradas, presencia de ruido,
etc...). Con respecto a la capacidad de adaptacin
hay que tener en cuenta que sta no puede ser
tampoco excesivamente grande ya que conducira
a tener un sistema inestable respondiendo a
pequeas perturbaciones. Este es el problema
conocido como el dilema plasticidad-estabilidad.
e) Establecen relaciones no lineales entre datos. Las
redes neuronales son capaces de relacionar dos
conjuntos de datos mediante relaciones complejas.
f) Posibilidad de implementacin en VLSI: Esta
posibilidad permite que estos sistemas puedan
ser aplicados en sistemas de tiempo real, simu-
lando sistemas biolgicos mediante elementos de
silicio.
Todas estas ventajas hacen el uso de las redes neu-
ronales especialmente atractivo en un gran nmero de
aplicaciones. Sin embargo antes de enunciar algunas
(no todas!) de estas aplicaciones pasaremos a describir
los diferentes modelos que nos podemos encontrar.
En el campo de las redes neuronales se conoce con
el nombre de arquitectura la forma en la que se unen
los diferentes elementos, neuronas, mediante una serie
de conexiones, pesos sinpticos. En principio podemos
distinguir tres niveles, en cuanto a arquitectura se refie-
re, que los podemos definir como:
Microestructura: Este nivel hace referencia al ele-
mento ms pequeo: la neurona. Este es el nivel
ms pequeo pero no por ello es el menos
importante; aqu se fijan caractersticas tan
importantes como la funcin de activacin que
se explicar a continuacin.
Mesoestructura: Una vez sobrepasado el nivel
neuronal llegamos a este nivel donde se fija la
forma de conexin y la disposicin de los ele-
mentos explicados anteriormente.
Macroestructura: Las diferentes redes planteadas
en el nivel anterior se pueden combinar entre s
para dar estructuras mayores alcanzndose
mejores prestaciones.
Veamos ms detenidamente todos estos niveles.
MODELOS NEURONALES
En todo modelo artificial de neurona se tienen cua-
tro elementos bsicos:
a) Un conjunto de conexiones, pesos o sinapsis que
determinan el comportamiento de la neurona.
Estas conexiones pueden ser excitadoras (pre-
sentan un signo positivo), o inhibidoras (cone-
xiones negativas).
b) Un sumador que se encarga de sumar todas las
entradas multiplicadas por las respectivas sinap-
sis.
c) Una funcin de activacin no lineal para limitar
la amplitud de la salida de la neurona.
d) Un umbral exterior que determina el umbral por
encima del cual la neurona se activa.
Esquemticamente, una neurona artificial quedara
representada por la figura 1:
Redes neuronales artificiales
30 Autores cientfico-tcnicos y acadmicos
Ilustracin 1. Esquema de un modelo neuronal
Matemticamente las operaciones a realizar seran:
y:
salida = (U
n
- umbral)
donde es una funcin no lineal conocida como fun-
cin de activacin. Las funciones definidas varan entre
0 y 1; se pueden definir a partir de ellas otras funciones
que varan entre -1 y 1 simplemente escalando las sali-
das entre estos lmites.
ARQUITECTURAS NEURONALES
Los elementos bsicos comentados anteriormente
se pueden conectar entre s para dar lugar a las estruc-
turas neuronales o modelos conexionistas que podra-
mos clasificar de diferentes formas segn el criterio
usado. As se tendra:
Segn el nmero de capas
Redes neuronales monocapas Se corresponde con
la red neuronal ms sencilla ya que se tiene una capa
de neuronas que proyectan las entradas a una capa de
neuronas de salida donde se realizan diferentes clcu-
los. La capa de entrada, por no realizar ningn clculo,
no se cuenta de ah el nombre de redes neuronales con
una sola capa. Una aplicacin tpica de este tipo de
redes es como memorias asociativas.
Ilustracin 2. Red neuronal monocapa.
Redes neuronales multicapa Es una generalizacin
de la anterior existiendo un conjunto de capas interme-
dias entre la entrada y la salida (capas ocultas). Este
tipo de red puede estar total o parcialmente conectada.
Ilustracin 3. Esquema de una red neuronal multicapa.
Segn el tipo de conexiones
Redes neuronales no recurrentes. En esta red la pro-
pagacin de las seales se produce en un sentido sola-
mente, no existiendo la posibilidad de realimentaciones.
Lgicamente estas estructuras no tienen memoria.
Redes neuronales recurrentes. Esta red viene carac-
terizada por la existencia de lazos de realimentacin.
Estos lazos pueden ser entre neuronas de diferentes
capas, neuronas de la misma capa o, ms sencillamen-
te, entre una misma neurona. Esta estructura recurren-
te la hace especialmente adecuada para estudiar la
dinmica de sistemas no lineales. La siguiente figura
representa el esquema de una red recurrente.

=
=
k
j
nj n
) j ( x . W U
1
Redes neuronales artificiales
31 Autores cientfico-tcnicos y acadmicos
Ilustracin 4. Red neuronal recurrente.
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 (redes no recu-
rrentes) o con las de la anterior (redes recurrentes).
Redes parcialmente conectadas. En este caso no se
da la conexin total entre neuronas de diferentes capas.
Estas estructuras neuronales se podran conectar
entre s para dar lugar a estructuras mayores: estamos
en el nivel de la mesoestructura. Esta conexin se
puede llevar a cabo de diferentes formas siendo las
ms usuales las estructuras en paralelo y jerrquicas.
En la primera estructura se plantea un consenso
entre las diferentes redes para obtener la salida mien-
tras que en la estructura jerrquica existen redes subor-
dinadas a otras que actan como elementos centrales
en la salida final de la red.
APLICACIONES DE LAS REDES
NEURONALES
Las aplicaciones de las redes neuronales las podra-
mos dividir segn el campo del conocimiento donde se
aplican.
Medicina. Las aplicaciones en medicina encuentran
su reflejo en problemas de diagnstico mdico. Es uno
de los campos con ms futuro y, hoy por hoy, uno de
los menos desarrollados. Aplicaciones en este campo
seran:
1. Diagnstico de cardiopatas. Este tipo de aplica-
ciones nos clasifican el electrocardiograma en
diferentes tipos o clases.
2. Deteccin de tumores cancergenos. Una red
neuronal entrenada localiza y clasifica en imge-
nes mdicas la posible existencia de tumores
cancergenos.
3. Caracterizacin de la dinmica en la variabilidad
cardaca. La regulacin del ritmo cardaco se
lleva a cabo por un sistema dinmico operando
bajo un rgimen catico.
4. Compresin de seales electrocardiogrficas.
Uno de los temas ms activos actualmente en el
campo de la ingeniera biomdica es la telemedi-
cina. Esta disciplina consiste en el desarrollo de
algoritmos que permitan el diagnstico de una
determinada enfermedad sin que el paciente se
tenga que desplazar al centro mdico. Las dife-
rentes seales que necesita el mdico se transmi-
ten va telefnica. Para aumentar la eficacia de
esta transmisin se podra pensar en la compre-
sin de la seal que consiste en aplicar diferentes
algoritmos para reducir su tamao. Uno de los
mtodos de compresin es con redes neuronales.
5. Prediccin de enfermedades degenerativas
cardacas. Pacientes que han sufrido un infarto
recientemente presentan un cierto factor de ries-
go de sufrir otro. Se puede usar una red para
modelizar el comportamiento de las arterias
coronarias.
6. Prediccin del riesgo de intoxicacin por digoxi-
na. En esta aplicacin la tarea de la red neuronal
es predecir el posible riesgo de intoxicacin por
digoxina que es un frmaco usado en problemas
de corazn.
7. Prediccin de la respuesta emtica. En esta apli-
cacin la red neuronal determina como salida la
respuesta emtica. Esta respuesta est relaciona-
da con el nmero de naseas y vmitos que
siente un paciente oncolgico tras un tratamiento
con quimioterapia.
8. Prediccin del nivel de Tacrolimus en sangre.
Este frmaco se utiliza en la terapia post-tras-
plante. Presenta un estrecho mbito terapetico
(la concentracin en sangre se debe mantener
entre 5 y 15 ng/ml) . Una red neuronal ha
Redes neuronales artificiales
32 Autores cientfico-tcnicos y acadmicos
demostrado su utilidad en la prediccin del nivel
de este frmaco en sangre.
9. Prediccin del nivel de ciclosporina. La ciclospo-
rina es un frmaco usado habitualmente para
evitar la reaccin de rechazo en transplantes de
rin, corazn, pulmn e hgado. Predecir la
concentracin de este frmaco a corto plazo
ayudara a la optimizacin de la dosis siguiente.
Esta prediccin se puede hacer con una red neu-
ronal.
Procesado de la seal. En este campo las redes
neuronales han encontrado un gran hueco de tal forma
que ya existe una sociedad internacional sobre la apli-
cacin de redes neuronales en problemas de procesado
de la seal. Algunos problemas de clasificacin donde
se aplican las redes neuronales seran:
1. Ecualizacin de canales de comunicacin. Ecua-
lizar un canal consiste en recuperar la seal que,
al pasar a travs de un canal de comunicaciones,
sufre una distorsin. Esta aplicacin tiene enton-
ces gran importancia con el auge de las comuni-
caciones mviles. La aplicacin de redes neuro-
nales se ha mostrado ms efectiva que el uso de
otros sistemas.
2. Reconocimiento de patrones en imgenes. Esta
aplicacin evidencia la capacidad de las redes
neuronales ya que se trata de una tarea relativa-
mente sencilla para un ser humano pero tremen-
damente costosa de implementar en un sistema
artificial.
3. Reconocimiento de voz. Esta aplicacin, de gran
importancia de cara a la implementacin de sis-
temas controlados por la voz, ha encontrado en
las redes neuronales un camino para su desarro-
llo.
4. Sonar y Radar. La capacidad de las redes neuro-
nales para clasificar determinados objetos (im-
genes, sonidos, seles unidimensionales, ...) les
permite su aplicacin en este campo como dis-
positivos para discernir los diferentes objetivos.
5. Eliminacin activa de ruido. Cuando el ruido y la
seal de inters tienen los espectros frecuenciales
solapados un filtrado selectivo en frecuencia no
tiene sentido. En este caso hay que intentar otras
aproximaciones. Una de estas es la cancelacin
activa de ruido aplicando sistemas adaptativos y
redes neuronales.
6. Control. En este caso el sistema a controlar se
modeliza para poder realizar predicciones de su
comportamiento y, de esta forma poder contro-
larlo ms fcilmente
Economa. En esta disciplina, donde hay que tomar
decisiones entre un nmero de opciones, las redes neu-
ronales son directamente aplicables frente a otros
mtodos por sus caractersticas intrnsecamente no line-
ales. As algunas de estas aplicaciones seran:
1. Concesin de crditos. En esta aplicacin las
redes neuronales en virtud de determinados
marcadores econmicos de la persona que pide
el prstamo decide su viabilidad o no .
2. Deteccin de posibles fraudes en tarjetas de cr-
dito. Las redes neuronales pueden ser usadas
como elementos discriminativos para conceder o
no una determinada cantidad en un cajero
automtico
3. Determinacin de la posibilidad de quiebra de
un banco. En esta aplicacin la red neuronal
determina el riesgo de quiebra de un banco en
virtud de determinados parmetros econmicos.
4. Prediccin del gasto elctrico de empresas y cen-
trales. Mediante el uso de una red neuronal
podemos estimar el consumo de una empresa y,
por tanto, podemos administrar mejor los recur-
sos elctricos de dicha empresa. Extensiones de
este trabajo abarcan otros recursos como, por
ejemplo, el consumo de aguas.
5. Cambio de moneda. Las redes neuronales se
han usado para la prediccin del cambio entre el
dlar americano y el marco alemn [ref-].
6. Tendencias a corto y medio plazo en bolsas de
valores. Si se buscan por Internet los productos
derivados de las redes neuronales que se comer-
cializan se encontrar rpidamente que la gran
mayora de ellos se orientan a aplicaciones de
este tipo
7. Prediccin de stocks. Uno de los mayores proble-
mas que se puede encontrar una fbrica es la
falta o un exceso de suministros. En el primer
caso no puede producir y, en el segundo, si no
dispone de un buen almacen, se puede producir
el caos. Una buena previsin de la cantidad
necesaria justa podra evitar muchos problemas
Medio Ambiente. Que vivimos en un ambiente
dinmico y no lineal nadie lo puede negar; cualquier
Redes neuronales artificiales
33 Autores cientfico-tcnicos y acadmicos
mtodo aplicado a este campo necesariamente debe
tener en cuenta estos hechos irrefutables. Tenemos,
pues, otro campo importante de aplicacin de las redes
neuronales. Algunas aplicaciones de stas seran:
1. Prediccin de irradiacin solar.
2. Prediccin de niveles txicos de ozono en zonas
urbanas y rurales. Este gas nos protege de la
radiacin ultavioleta del sol, sin embargo, un
exceso de este gas puede conducir a problemas.
Una prediccin de su concentracin en la atms-
fera a corto plazo (uno o dos das) podra condu-
cir a la aplicacin de medidas para evitar posi-
bles incrementos indeseados en la concentracin
de este gas.
3. Prediccin de variaciones globales de temperatura.
RESUMEN
En esta comunicacin se ha intentado presentar un
rpido resumen a un tema tan de actualidad en el
campo de la inteligencia artificial como son las redes
neuronales. A resaltar que no es un tema acadmico
sino que se utilizan en un nmero de aplicaciones que
crece da a da.
Redes neuronales artificiales