Académique Documents
Professionnel Documents
Culture Documents
INTRODUCCIN
Existe actualmente una tendencia a establecer un nuevo campo de las ciencias de la
computacin que integre los diferentes mtodos de resolucin de problemas que no pueden ser
descritos fcilmente mediante el enfoque algortmico tradicional. Todos estos mtodos se
originan, de una u otra forma, en la emulacin ms o menos inteligente del comportamiento de
los sistemas biolgicos.
Estos mtodos estn orientados a resolver problemas donde es necesario manejar informacin
masiva, imprecisa, incierta o distorsionada propia del mundo real (toma de decisiones,
reconocimiento de formas, habla, etc.).
Algunos de stos son la Lgica Borrosa o difusa (Fuzzy Logic), las Redes Neuronales
Artificiales, los Algoritmos genticos, la Teora del Caos y la Teora del Aprendizaje. Siendo
todos stos enfoques diferentes, existe una tendencia a buscar combinaciones entre ellos, de
manera que a cada aspecto de los problemas reales que deban ser resueltos se le aplica la
tcnica que resulta ms apropiada.
SURGIMIENTO Y EVOLUCIN
Las redes neuronales son una rama de la Inteligencia Artificial.
Un computador convencional es una mquina que ejecuta una serie de instrucciones de forma
secuencial, siendo capaz de realizar complicadas operaciones lgicas y aritmticas de una
forma muy rpida, mucho ms que el cerebro humano.
Pese a ello, existen tareas sencillas como el reconocimiento de patrones, que ni los grandes
supercomputadores son capaces de resolver de un modo eficiente, mientras que el cerebro lo
viene haciendo desde hace millones de aos con suma facilidad y eficiencia.
Por esta razn, algunos cientficos han vuelto la vista hacia el cerebro tratando de estudiarlo
desde el punto de vista de la computacin. La estructura del cerebro es radicalmente diferente
a la del computador convencional. No est compuesto por un nico microprocesador altamente
complejo y eficiente, sino por miles de millones de ellos, las neuronas, que realizan de modo
impreciso y relativamente lento un tipo de clculo muy simple.
Con las redes neuronales se intenta expresar la solucin de problemas complejos, no como
una secuencia de pasos, sino como la evolucin de unos sistemas de computacin inspirados
en el funcionamiento del cerebro humano, y dotados por tanto de cierta inteligencia, los
cuales no son sino la combinacin de una gran cantidad de elementos simples de proceso
(neuronas) interconectados que, operando de forma masivamente paralela, consiguen resolver
problemas relacionados con el reconocimiento de formas o patrones, prediccin, codificacin,
clasificacin, control y optimizacin.
Las redes neuronales operan sobre la base de reconocimiento de patrones, y pueden adquirir,
almacenar y utilizar conocimiento experimental, obtenido a partir de ejemplos.
En cuanto al modo interno de trabajo las redes neuronales son modelos matemticos
multivariantes que utilizan procedimientos iterativos, en general para minimizar funciones de
error.
a) PROCESAMIENTO NUMRICO:
Reciben la seal de entrada desde el exterior y operan sobre ella. Son sistemas constituidos
por nodos de hardware interconectados formando una red. Tambin se conocen como
sistemas conectivistas o conexionistas.
SISTEMAS DISTRIBUIDOS
SISTEMAS ASOCIATIVO
REDES SUBSIMBLICAS
REDES NEURONALES
b) PROCESAMIENTO SIMBLICO:
Estas redes estn constituidas por conceptos (nodos) y por reglas sintcticas (lazos de
interconexin). Ambas forman las llamadas bases de conocimiento. La simulacin de estas
redes es casi exclusivamente software.
PANORAMA HISTRICO
Las primeras explicaciones tericas sobre el cerebro y el pensamiento fueron dadas por
algunos antiguos filsofos griegos, como Platn (427-347 a.C) y Aristteles (384-422 a.C). Las
mismas ideas sobre el proceso mental las mantuvo Descartes (1596-1650) y los filsofos
empiristas del siglo X.
James Anderson desarroll en 1977 un modelo lineal, llamado Asociador Lineal, que consista
en unos elementos integradores lineales (neuronal) que sumaban sus entradas. Este modelo
se basa en el principio de que las conexiones entre neuronas son reforzadas cada vez que
estn activadas. Anderson dise una potente extensin del Asociador Lineal, llamada
Brain-State-in-a-box.
a: Soma
b: Axn
c: Dendritas
El sistema nervioso est compuesto por una red de clulas (neuronas), ampliamente
interconectadas entre s. En las neuronas, la informacin fluye desde las dendritas hacia el
axn, atravesando el soma. Se estima que el sistema nervioso contiene alrededor de cien mil
millones de neuronas.
Cada neurona realiza una funcin matemtica. Las neuronas se agrupan en capas,
constituyendo una red neuronal. Una determinada red neuronal est confeccionada y
entrenada para llevar a cabo una labor especfica. Finalmente, una o varias redes, ms las
interfaces con el entorno, conforman el sistema global.
En las redes neuronales biolgicas, las neuronas corresponden a los elementos de proceso.
Las interconexiones se realizan por medio de las ramas de salida (axones) que producen un
nmero variable de conexiones (sinapsis) con otras neuronas o con Elaboracin y diseo en
formato PDF, por la Oficina General del Sistema de Bibliotecas y Biblioteca Central otras partes
como msculos y glndulas. Las redes neuronales son sistemas de elementos simples de
proceso muy interconectados.
CARACTERSTICAS
compuesta por 256 x 256 pxeles, una sencilla tarea de tratamiento en bajo nivel
(acentual contrastes, extraer contornos, etc.), mucho ms simple que la que lleva a
cabo el sistema visual biolgico para reconocer una imagen. Un sistema basado en 16
DSP (por ejemplo, del modelo TMS32020, clsico DSP de Texas Instruments)
operando en paralelo empleara un tiempo del orden de 20 milisegundos en la misma
tarea, puesto que cada uno puede operar en paralelo sobre diferentes reas de la
imagen.
Por otra parte, el cerebro tarda aproximadamente lo mismo para preprocesar una
imagen compuesta por millones de pxeles (los que representan los conos y bastones
de la retina), extraer sus rasgos caractersticos, analizarla e interpretarla.
La clave reside en los miles de millones de neuronas que intervienen en el
proceso de visin, operando en paralelo sobre la totalidad de la imagen.
Memoria Distribuida:
Las redes neuronales son sistemas dinmicos auto adaptativos. Son adaptables
debido a la capacidad de auto ajustarse que tienen las neuronas. Son dinmicos, pues
son capaces de estarse adaptando constantemente a las nuevas condiciones.
Auto organizacin:
1. Aquellas que reciben estmulos externos, relacionadas con el aparato sensorial, que toman
la informacin de entrada.
3. Una vez que ha finalizado el procesamiento, la informacin llega a las unidades de salida,
cuya misin es dar la respuesta del sistema.
Cada neurona i-sima est caracterizada en cualquier instante por un valor numrico
denominado valor o estado de activacin ai(t). Asociado a cada unidad, funcin de salida
fi, que transforma el estado actual de activacin en una seal de salida, yi.
La dinmica que rige la actualizacin de los estado de las neuronas (evolucin de la red
neuronal) puede ser de dos tipos: asincrnico y sincrnico. En el primer caso, las neuronas
evalan su estado continuamente, segn les va llegando informacin, y lo hacen de forma
independiente. En el caso sincrnico, aunque la informacin llega de forma continua, los
cambios se realizan simultneamente. Los sistemas neuronales biolgicos muy probablemente
actan de una forma mixta.
La Neurona Artificial
Las unidades de entrada reciben seales desde el entorno. Estas entradas (que son
entradas a la red) pueden provenir de sensores o de otros sectores del sistema.
Las unidades de salida envan la seal fuera del sistema. Estas pueden controlar
directamente potencias u otros sistemas.
Las unidades ocultas son aquellas cuyas entradas y salidas se encuentran dentro del
sistema, es decir, no tienen contacto con el exterior.
Estado de Activacin
Adems del conjunto de neuronas, la representacin necesita considerar los estados del
sistema en un tiempo t. Esto se especifica por un vector de N nmeros reales A(t), que
representa el estado de activacin del conjunto de neuronas.
Todas las neuronas que conforman la red se hallan en cierto estado. Podemos decir que hay
dos posibles estados: reposo y excitado, llamados genricamente estados de activacin; a
cada uno de los cuales se le asigna un valor. Estos valores pueden ser a su vez continuos o
discretos.
Entre las neuronas que componen la red existe un conjunto de conexiones que las unen. Cada
neurona trasmite seales a aquellas que estn conectadas con su salida.
Asociada a cada unidad Ui hay una funcin de salida fi(ai(t)), que transforma el estado actual
de activacin ai(t) en una seal de salida yi(t); es decir: yi(t) = fi(ai(t))
La funcin escaln o umbral nicamente se utiliza cuando las salidas de la red son binarias. La
salida de una neurona se activa slo cuando el estado de activacin es mayor o igual que cierto
valor umbral (la funcin puede ser desplazada sobre los ejes).
La funcin lineal o identidad equivale a no aplicar funcin de salida, y se usa muy poco.
Las funciones mixta y sigmoidal son las ms apropiadas cuando queremos como salida una
informacin analgica.
Las conexiones entre las neuronas de una red tienen asociado un peso, que es el que hace
que la red adquiera conocimiento.
As como es necesario una regla que combine las entradas a una neurona con los pesos de
sus conexiones, tambin se requiere una regla que combine las entradas con el estado actual
de la neurona, para producir un nuevo estado de activacin. Esta funcin, F, produce un nuevo
estado a partir del estado (ai) que exista y la combinacin de las entradas con los pesos de las
conexiones ( neti).
Dado el estado de activacin ai(t) de la neurona Ui, y la entrada total que llega a ella, Neti, el
estado de activacin siguiente, ai(t+1) se obtiene aplicando la funcin de activacin F:
Regla de Aprendizaje
La conectividad entre los nodos de una red neuronal est relacionada con la forma en que las
salidas de las neuronas estn canalizadas para convertirse en entradas de otras neuronas. La
seal de salida de un nodo puede ser una entrada de otro elemento de proceso, o incluso ser
una entrada de s mismo en una conexin auto recurrente.
Cuando ninguna salida de las neuronas de una capa es entrada de neuronas del mismo nivel
o de niveles precedentes, se dice que la red tiene propagacin hacia delante. En caso
contrario se dice que la red es de propagacin hacia atrs. Las redes de propagacin hacia
atrs que tienen lazos cerrados se dice que son sistemas recurrentes.
Estructura de una red multinivel con todas las conexiones hacia adelante
Cuando todas las neuronas de una capa reciben seales de entrada de otra capa anterior,
ms cercana a la entrada a la red, y envan seales de salida a una capa posterior, estamos
ante una red de conexiones hacia delante o feedforward. En las conexiones hacia atrs o
feedback las salidas de las neuronas de capas posteriores se conectan a las entradas de capas
anteriores.
Estas caractersticas permiten distinguir dos tipos de redes entre las multicapa: las redes con
conexin hacia delante o redes feedforward, y redes que disponen de conexiones tanto hacia
delante como hacia atrs, o redes feedforward/feedback.
Por otro lado, la mayora de las redes multicapa son bicapa. Este tipo de estructura es
particularmente adecuada para realizar una asociacin de una informacin o patrn de entrada
con otra informacin o patrn de salida en la segunda capa. Una red multicapa muy particular
es la NEOCOGNITRON, en la que las neuronas se disponen en planos superpuestos (capas
bidimendionales),
permitiendo
eliminar
las
variaciones
geomtricas
(tamaos,
giros,
ALGORITMOS NEURONALES
El aprendizaje supervisado
En este tipo de aprendizaje se suelen considerar tres formas: Aprendizaje por correccin de
error, Aprendizaje por refuerzo y aprendizaje estocstico.
Consiste en ajustar los pesos de las conexiones de la red en funcin de la diferencia entre los
valores deseados y los obtenidos en la salida; es decir, en funcin del error cometido.
Una regla o algoritmo simple de aprendizaje por error podra ser como la siguiente:
wji = yi (dj yj)
Donde:
wji : Variacin en el peso de la conexin entre las neuronas i y j
yi :
dj :
yj :
Estas redes deben encontrar las caractersticas, regularidades, correlaciones o categoras que
se pueden establecer entre los datos de entrada. Puesto que no hay un supervisor que indique
a la red la respuesta que debe generar una entrada concreta, cabra preguntarse precisamente
por lo que la red genera en estos casos. Existen varias posibilidades en cuanto a la
interpretacin de las salidas, que dependen de su estructura y del algoritmo de aprendizaje
empleado.