Red neuronal articial

Perceptrn con 2 entradas.

Red neuronal articial perceptrn multicapa con n neuronas de
entrada, m neuronas en su capa oculta y una neurona de escape.

de interconexiones y emite una salida. Esta salida viene

dada por tres funciones:

Las redes de neuronas articiales (denominadas habitualmente como RNA o en ingls como: ANN[1] ) son
un paradigma de aprendizaje y procesamiento automtico
inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas que colaboran entre s para producir un
estmulo de salida. En inteligencia articial es frecuente
referirse a ellas como redes de neuronas o redes neuronales.

1. Una funcin de propagacin (tambin conocida como funcin de excitacin), que por lo general 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.
2. Una funcin de activacin, que modica a la anterior. Puede no existir, siendo en este caso la salida
la misma funcin de propagacin.
3. Una funcin de transferencia, que se 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. Algunas de las ms utilizadas son la
funcin sigmoidea (para obtener valores en el intervalo [0,1]) y la tangente hiperblica (para obtener
valores en el intervalo [1,1]).

Historia

Los primeros modelos de redes neuronales datan de 1943

por los neurlogos McCulloch y Pitts. Aos ms tarde, en
1949, Donald Hebb desarroll sus ideas sobre el aprendizaje neuronal, quedando reejado en la regla de Hebb.
En 1958, Rosemblatt desarroll el perceptrn simple, y
en 1960, Widrow y Ho desarrollaron el ADALINE, que
fue la primera aplicacin industrial real.

2.1 Diseo y programacin de una RNA

(red neuronal articial)

En los aos siguientes, se redujo la investigacin, debido a la falta de modelos de aprendizaje y el estudio de
Minsky y Papert sobre las limitaciones del perceptrn.
Sin embargo, en los aos 80, volvieron a resurgir las RNA
gracias al desarrollo de la red de Hopeld, y en especial,
al algoritmo de aprendizaje de retropropagacin (BackPropagation) ideado por Rumelhart y McLellan en 1986
que fue aplicado en el desarrollo de los perceptrones multicapa. [2]

Con un paradigma convencional de programacin en

ingeniera del software, el objetivo del programador es
modelar matemticamente (con distintos grados de formalismo) el problema en cuestin y posteriormente formular una solucin (programa) mediante un algoritmo
codicado que tenga una serie de propiedades que permitan resolver dicho problema. En contraposicin, la aproximacin basada en las RNA parte de un conjunto de datos de entrada sucientemente signicativo y el objetivo
2 Propiedades
es conseguir que la red aprenda automticamente las propiedades deseadas. En este sentido, el diseo de la red
Una red neuronal se compone de unidades llamadas neu- tiene menos que ver con cuestiones como los ujos de
ronas. Cada neurona recibe una serie de entradas a travs datos y la deteccin de condiciones, y ms que ver con
1

cuestiones tales como la seleccin del modelo de red, la

de las variables a incorporar y el pre-procesamiento de
la informacin que formar el conjunto de entrenamiento. Asimismo, 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 neuronal.

TIPOLOGA DE LAS RNA

ma de todas las seales de entrada por el peso asociado a

la conexin de entrada de la seal. Algunos ejemplos de
entradas son la funcin escaln de Heaviside, la lineal o
mixta, la sigmoide y la funcin gaussiana, recordando que
la funcin de transferencia es la relacin entre la seal de
salida y la entrada.

Por ejemplo en una red que se va a aplicar al diagnstico

de imgenes mdicas; durante la fase de entrenamiento el 3 Ventajas
sistema recibe imgenes de tejidos que se sabe son cancergenos y tejidos que se sabe son sanos, as como las Las redes neuronales articiales (RNA) tienen muchas
respectivas clasicaciones de dichas imgenes. Si el en- ventajas debido a que estn basadas en la estructura del
trenamiento es el adecuado, una vez concluido, el sistema sistema nervioso, principalmente el cerebro.
podr recibir imgenes de tejidos no clasicados y obtener su clasicacin sano/no sano con un buen grado de
Aprendizaje: Las RNA tienen la habilidad de
seguridad. Las variables de entrada pueden ser desde los
aprender mediante una etapa que se llama etapa de
puntos individuales de cada imagen hasta un vector de
aprendizaje. Esta consiste en proporcionar a la RNA
caractersticas de las mismas que se puedan incorporar al
datos como entrada a su vez que se le indica cul es
sistema (por ejemplo, procedencia anatmica del tejido
la salida (respuesta) esperada.
de la imagen o la edad del paciente al que se le extrajo la
muestra).
Auto organizacin: Una RNA crea su propia representacin de la informacin en su interior, quitndoEn la industria tambin presentan aplicaciones muy imle esta tarea al usuario.
portantes, como puede ser la cuanticacin de la aromaticidad de los anillos aromticos, como el benceno, a
travs de la estabilizacin de energa y la exaltacin donde la susceptibilidad magntica se reduce al mnimo.[3]

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.

2.2

Flexibilidad: Una RNA puede manejar cambios no

importantes en la informacin de entrada, como seales con ruido u otros cambios en la entrada (por
ejemplo si la informacin de entrada es la imagen
de un objeto, la respuesta correspondiente no sufre
cambios si la imagen cambia un poco su brillo o el
objeto cambia ligeramente).

Estructura

La mayora de los cientcos coinciden en que una RNA

es muy diferente en trminos de estructura de un cerebro
animal. Al igual que el cerebro, una RNA se compone de
un conjunto masivamente paralelo de unidades de proceso
muy simples y es en las conexiones entre estas unidades
donde reside la inteligencia de la red. Sin embargo, en
trminos de escala, un cerebro es muchsimo mayor que
cualquier RNA creada hasta la actualidad, y las neuronas
articiales tambin son ms simples que su contrapartida
animal.

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

Biolgicamente, un cerebro aprende mediante la reorganizacin de las conexiones sinpticas entre las neuronas
que lo componen. De la misma manera, las RNA tienen 4 Tipologa de las RNA
un gran nmero de procesadores virtuales interconectados que de forma simplicada simulan la funcionalidad 4.1 Modelos
de las neuronas biolgicas. En esta simulacin, la reorganizacin de las conexiones sinpticas biolgicas se mo- Existe una serie de modelos que aparecen en la mayora
dela mediante un mecanismo de pesos, que son ajustados de estudios acadmicos y la bibliografa especializada.
durante la fase de aprendizaje. En una RNA entrenada,
el conjunto de los pesos determina el conocimiento de esa
Perceptrn
RNA y tiene la propiedad de resolver el problema para el
que la RNA ha sido entrenada.
Adaline
Por otra parte, en una RNA, adems de los pesos y las co Perceptrn multicapa
nexiones, cada neurona tiene asociada una funcin matemtica denominada funcin de transferencia. Dicha fun Memorias asociativas
cin genera la seal de salida de la neurona a partir de
Mquina de Boltzmann
las seales de entrada. La entrada de la funcin es la su-

4.4

Tipo de entrada

Mquina de Cauchy
Propagacin hacia atrs (backpropagation)
Redes de Elman
Redes de Hopeld
Red de contrapropagacin
Redes de neuronas de base radial
Redes de neuronas de aprendizaje competitivo
Mapas Autoorganizados (RNA) (Redes de Kohonen)
Crecimiento dinmico de clulas
Gas Neuronal Creciente
Redes ART (Adaptative Resonance Theory)

4.2

Topologa

Una primera clasicacin de las redes de neuronas articiales que se suele hacer es en funcin del patrn de conexiones que presenta. As se denen tres tipos bsicos
de redes:
Dos tipos de redes de propagacin hacia delante
o acclicas en las que todas las seales van desde la
capa de entrada hacia la salida sin existir ciclos, ni
conexiones entre neuronas de la misma capa de red
neuronal y su clasicacin.

3
Aprendizaje no supervisado o autoorganizado:
no necesitan de tal conjunto previo. Ejemplos de este tipo de redes son: las memorias asociativas, las
redes de Hopeld, la mquina de Boltzmann y la
mquina de Cauchy, las redes de aprendizaje competitivo, las redes de Kohonen o mapas autoorganizados y las redes de resonancia adaptativa (ART).
Redes hbridas: son un enfoque mixto en el que se
utiliza una funcin de mejora para facilitar la convergencia. Un ejemplo de este ltimo tipo son las
redes de base radial.
Aprendizaje reforzado: se sita a medio camino
entre el supervisado y el autoorganizado.

4.4 Tipo de entrada

Finalmente tambin se pueden clasicar las RNAs segn
sean capaces de procesar informacin de distinto tipo en:
Redes analgicas: procesan datos de entrada con
valores continuos y, habitualmente, acotados. Ejemplos de este tipo de redes son: Hopeld, Kohonen y
las redes de aprendizaje competitivo.
Redes discretas: procesan datos de entrada de
naturaleza discreta; habitualmente valores lgicos
booleanos. Ejemplos de este segundo tipo de redes
son: las mquinas de Boltzmann y Cauchy, y la red
discreta de Hopeld.

5 Aplicaciones

Las caractersticas de las RNA las hacen bastante apropiadas para aplicaciones en las que no se dispone a priori
Multicapa. Ejemplos: perceptrn multicapa. de un modelo identicable que pueda ser programado,
pero se dispone de un conjunto bsico de ejemplos de
Las redes recurrentes que presentan al menos entrada (previamente clasicados o no). Asimismo, son
un ciclo cerrado de activacin neuronal. Ejemplos: altamente robustas tanto al ruido como a la disfuncin de
Elman, Hopeld, mquina de Boltzmann.
elementos concretos y son fcilmente paralelizables.
Monocapa. Ejemplos: perceptrn, Adaline.

Esto incluye problemas de clasicacin y reconocimiento

de patrones de voz, imgenes, seales, etc. Asimismo se
4.3 Aprendizaje
han utilizado para encontrar patrones de fraude econmico, hacer predicciones en el mercado nanciero, hacer
Una segunda clasicacin que se suele hacer es en funpredicciones de tiempo atmosfrico, etc.
cin del tipo de aprendizaje de que es capaz (si necesita
o no un conjunto de entrenamiento supervisado). Para ca- Tambin se pueden utilizar cuando no existen modelos
da tipo de aprendizaje encontramos varios modelos pro- matemticos precisos o algoritmos con complejidad razonable, por ejemplo la red de Kohonen ha sido aplicada
puestos por diferentes autores:
con un xito ms que razonable al clsico problema del
Aprendizaje supervisado: necesitan un conjunto viajante (un problema para el que no se conoce solucin
de datos de entrada previamente clasicado o cuya algortmica de complejidad polinmica).
respuesta objetivo se conoce. Ejemplos de este tipo
de redes son: el perceptrn simple, la red Adaline,
el perceptrn multicapa, red backpropagation, y la
memoria asociativa bidireccional.

Otro tipo especial de redes neuronales articiales 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).

REFERENCIAS

para resolver problemas que el humano puede resolver

pero las computadoras no. Estos problemas incluyen el
reconocimiento de patrones y la prediccin del tiempo.
De cualquier forma, el humano tiene capacidad para el
reconocimiento de patrones, pero la capacidad de las redes neuronales no se ve afectada por la fatiga, condiciones
de trabajo, estado emocional, y compensaciones.
Se conocen cinco aplicaciones tecnolgicas extendidas:

5.1

Ejemplos
1. Reconocimiento de textos manuscritos

5.1.1

Quake II Neuralbot
2. Reconocimiento del habla

Un bot es un programa que simula a un jugador humano.

El Neuralbot es un bot para el juego Quake II que utiliza
una red neuronal articial para decidir su comportamiento y un algoritmo gentico para el aprendizaje. Es muy fcil probarlo para ver su evolucin. Ms informacin aqu

5.1.2

Clasicador No Sesgado de Protenas

3. Simulacin de centrales de produccin de energa

4. Deteccin de explosivos
5. Identicacin de blancos de radares

6 Herramientas de software

Es un programa que combina diversas tcnicas computacionales con el objetivo de clasicar familias de Existen muchas herramientas de software que implemenprotenas. Un posible mtodo consiste en utilizar mtricas tan redes neuronales articiales, tanto libres como comeradaptativas como por ejemplo: mapas autoorganizados y ciales como, por ejemplo:
algoritmos genticos.
El problema de clasicacin no sesgada basada en la expresin de las protenas en Aminocidos puede reducirse,
conceptualmente, a lo siguiente:

7 Vase tambin
Inteligencia articial

La identicacin de grupos de protenas que compartan caractersticas comunes.

Dinmica de sistemas

La determinacin de las razones estructurales por

las cuales las protenas en cuestin se agrupan de la
manera indicada.

Sistema complejo

Evitar la idea de establecer criterios de clasicacin

(sesgados) fundamentados en ideas preconcebidas
para lograr su clasicacin. En este sentido, hay dos
asuntos que considerar:

Robtica evolutiva

Cmo lograr la caracterizacin de las protenas

de manera no sesgada
Cmo lograr lo anterior sin apelar a medidas
de agrupamiento que, a su vez, impliquen algn tipo de sesgo sobre dicho agrupamiento.
Las RNA han sido aplicadas a un nmero en aumento de
problemas en la vida real y de considerable complejidad,
donde su mayor ventaja es en la solucin de problemas
que son bastante complejos para la tecnologa actual, tratndose de problemas que no tienen una solucin algortmica o cuya solucin algortmica es demasiado compleja
para ser encontrada.
En general, debido a que son parecidas a las del cerebro
humano, las RNA son bien nombradas ya que son buenas

Sistema dinmico

Conformacin de haces (beamforming)

Cerebro articial

8 Referencias
[1] Aunque en francs se utiliza el acrnimo ANN (de Articial Neural Networks) para referirse a este campo de
la computacin en este artculo se utilizar su equivalente
castellano RNA.
[2] Redes de Neuronas Articiales, Redes de Neuronas Articiales, UC3M, RAI 2012.
[3] Chemical applications of neural networks: aromaticity
of pyrimidine derivatives., Alonso M, Miranda C, Martn N, Herradn B. Phys Chem Chem Phys. 2011 Dec
14;13(46):20564-74.

Enlaces externos

Wikimedia Commons alberga contenido multimedia sobre Red neuronal articialCommons.

Redes Neuronales Articiales - Implementacin con

C# (catellano)
Tutorial de la Universidad Politcnica de Madrid
(castellano)
Introduccin a las redes de neuronas articiales (castellano)
Artculos sobre redes neuronales articiales (ingls)
Sitio Web sobre redes neuronales articiales, ejemplos y aplicaciones (castellano)
Introduccin a las Redes Neuronales y sus Modelos
(castellano)
Sistema nervioso articial
Qu son las redes neuronales?(castellano)
Redes Neuronales Articiales con MATLAB

10 TEXTO E IMGENES DE ORIGEN, COLABORADORES Y LICENCIAS

10
10.1

Texto e imgenes de origen, colaboradores y licencias

Texto

Red neuronal articial Fuente: http://es.wikipedia.org/wiki/Red_neuronal_artificial?oldid=81955700 Colaboradores: Joseaperez, Moriel, Sauron, Nathan~eswiki, Dodo, Yearofthedragon, Fortran~eswiki, Ascnder, Sms, Rsg, Tostadora, Zorak, Tano4595, RGLago, Daniel
G., Enric Naval, Gengiskanhg, Cinabrium, Ecemaml, DamianFinol, Renabot, Petronas, JMPerez, Taichi, Emijrp, Rembiapo pohyiete
(bot), Anrfernandez, Alhen, Changcho, LuchoX, Yrbot, DerkeNuke, BOT-Superzerocool, Oscar ., Varano, Mortadelo2005, Icvav, GermanX, Lobillo, No s qu nick poner, Claudiapat1, Maldoror, Alcojol, Lancaster, Paintman, Lionni, Tamorlan, CEM-bot, Pinar~eswiki,
Osepu, Rosarinagazo, YoniG, Thijs!bot, Gngora, PabloGN, JAnDbot, Xavigivax, Juan renombrado, HiTe, Jorgenumata~eswiki, NaBUru38, Humberto, Fixertool, Chabbot, Plux, Cinevoro, Aibot, Technopat, Jose gueredo, Matdrodes, DJ Nietzsche, Muro Bot, Srbanana,
Ensada, Cobalttempest, Beepath, Danypalma1984, Manw, Chico512, Farisori, Danidvt, Nerika, BodhisattvaBot, UA31, AVBOT, Jorge.maturana, Trec~eswiki, Saloca, Luckas-bot, CayoMarcio, Gacpro, Finderlog, SuperBraulio13, Jkbw, Theboss edgar18, Ricardogpn,
Botarel, Hprmedina, PatruBOT, Hombresigma, Humbefa, Tarawa1943, EmausBot, Alrik, Jcaraballo, WikitanvirBot, MerlIwBot, Pedromanuelbaeza, KLBot2, Ivanwalkesmc, Deu2000, Elvisor, JurgenNL, Joma.huguet, Augt.pelle, Jarould, Pfernand, Phyllum y Annimos:
170

10.2

Imgenes

Archivo:Commons-logo.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/4/4a/Commons-logo.svg Licencia: Public domain

Colaboradores: This version created by Pumbaa, using a proper partial circle and SVG geometry features. (Former versions used to be slightly
warped.) Artista original: SVG version was created by User:Grunt and cleaned up by 3247, based on the earlier PNG version, created by
Reidab.
Archivo:Computer.Science.AI.Neuron.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/f/f0/Computer.Science.AI.
Neuron.svg Licencia: CC-BY-SA-3.0 Colaboradores: ? Artista original: User:Yearofthedragon
Archivo:RedNeuronalArtificial.png Fuente: http://upload.wikimedia.org/wikipedia/commons/6/64/RedNeuronalArtificial.png Licencia: CC-BY-SA-3.0 Colaboradores: Transferido desde es.wikipedia a Commons. Artista original: The original uploader was Gengiskanhg
de Wikipedia en espaol

10.3

Licencia de contenido

Creative Commons Attribution-Share Alike 3.0