Académique Documents
Professionnel Documents
Culture Documents
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
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]
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
Estructura
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.
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.
REFERENCIAS
5.1
Ejemplos
1. Reconocimiento de textos manuscritos
5.1.1
Quake II Neuralbot
2. Reconocimiento del habla
5.1.2
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
Dinmica de sistemas
Sistema complejo
Robtica evolutiva
Sistema dinmico
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
10
10.1
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
10.3
Licencia de contenido