Académique Documents
Professionnel Documents
Culture Documents
No se trata de construir dispositivos que compitan particulares del cerebro y todos los subsistemas
con los seres humanos, sino que realicen ciertas conforman el encfalo.
tareas de rango intelectual para ayudarle, principio
La unin de 2 neuronas o ms recibe el nombre de
bsico de la Inteligencia Artificial. Si miramos
sinapsis, que es direccional, es decir en un solo
biolgicamente una neurona Segn Mara Villanueva
sentido. Cada neurona recibe impulsos elctricos de
en su monografa titulada: Las Redes Neuronales
otras a travs de las dendritas y estas se conectan a
Artificiales y su importancia como herramienta para
las salidas de otras para producir la sinapsis (ver
la toma de decisiones [1] comenta que el sistema
figura 2), esta altera la efectividad de la seal
nervioso est conformado por una red de clulas
transmitida debido a un parmetro, el peso. El
(neuronas), ampliamente interconectadas entre s. En
aprendizaje es el resultado de la modificacin de
las neuronas, la informacin fluye desde las
estos pesos y junto con el procesamiento de la
dendritas hasta el axn, atravesando el soma. Se
informacin se genera el mecanismo bsico de la
estima que el sistema nervioso tiene cien mil millones
memoria.
de neuronas.
conectadas entre s que podan ejecutar que viene a ser una variacin del Asociador
operaciones lgicas. Lineal. En este mismo ao la compaa Fujitsu
comenz el desarrollo de computadores
En 1949, el fisilogo Donald Hebb expuso en su
pensantes para aplicaciones relacionadas con la
libro The Organization of Behavior la conocida
Robtica.
regla de aprendizaje. Su trabajo tena que ver con
la conductividad de la sinapsis, es decir, con las En 1985, el Instituto Americano de Fsica
conexiones entre neuronas. comenz la Anual Networks for Computing.
En 1951, Minsky y Edmons montaron la primera En 1987 la IEEE celebr su primera conferencia
mquina de redes neuronales, compuesta internacional sobre redes neuronales. En este
bsicamente de 300 tubos de vaco y un piloto mismo ao se form la International Neural
automtico de un bombardero B-24 (en desuso). Network Society (INNS) bajo la iniciativa y
Llamaron a su creacin Sharc, se trataba nada direccin de Grossberg en USA, Kohonen en
menos que de una red de 40 neuronas artificiales Finlandia y Amari en Japn.
que imitaban el cerebro de una rata.
En 1987 se crea la Sociedad Europea de Redes
En 1957, Frank Rosenblatt present al Neuronales y la Neural Information Processing
Perceptrn, una red neuronal con aprendizaje Systems reunin que se celebra anualmente en
supervisado cuya regla de aprendizaje era una Denver Colorado.
regla planteada por Hebb.
En 1988, result la unin de la IEEE y la INNS que
En 1969 Marvin Minsky y Seymour Paper produjo la International Joint Conference on
escribieron un libro llamado Perceptrons, en Neural Networks que realiz 430 artculos de los
donde definan a estos como caminos sin salida. cuales 63 estaban enfocados a una aplicacin
En los aos 60 se propusieron otros 2 modelos
III. CONCEPTUALIZACION
tambin supervisados, basados en el Perceptrn
de Rosenblatt denominados Adaline y Madaline. A. RED NEURONAL ARTIFICIAL (RNA)
En estos, la adaptacin de los pesos se realiza Una red neuronal artificial (ANN en Ingls RNA en
teniendo en cuenta el error, calculando como la espaol) consiste en unidades de procesamiento
diferencia entre la salida deseada y la dada por la interconectadas de manera densa, llamadas
red, al igual que en el Perceptrn. Sin embargo, la neuronas, por tener un comportamiento similar al de
regla de aprendizaje empleada es distinta. las neuronas biolgicas. Las Unidades de
procesamiento reciben y procesan y transmiten
En los 70 las redes neuronales artificiales surge
seales, tal como las neuronas biolgicas.
con la tcnica de aprendizaje de propagacin
hacia atrs o Backpropagation. Los componentes principales del funcionamiento de
una red neuronal son:
En 1977, James Anderson desarroll un modelo
lineal, llamado asociador lineal, que consista en
unos elementos integradores lineales (neuronas)
Un conjunto de unidades de procesamiento
que sumaban sus entradas. (neuronas);
En 1982 John Hopfield present un trabajo sobre Un estado de activacin (variable de estado);
redes neuronales en la Academia Nacional de las Una funcin de salida para cada unidad;
Un conjunto de conexiones (patrn de
Ciencias, en el cual describe con claridad y rigor
conectividad);
matemtico una red a la que ha dado su nombre,
Investigacin y Desarrollo en TIC, Vol 2 No 1 pp. 18-27. Junio, 2011 21
Redes Neuronales Artificiales: Una Revisin del Estado del Arte, Aplicaciones Y Tendencias Futuras
Un conjunto de reglas para propagar las seales representan la intensidad de la sinapsis, tanto ,
de salida a travs de la RNA.
Una regla de combinacin; como son valores escalares. A esta seal
Una regla de activacin;
Una regla de modificacin; ponderada se le adiciona el bias y se obtiene una
Un ambiente en el cual opera la RNA entrada total que acta sobre el ncleo de la neurona
para activarla. es la funcin umbral o de
mquinas con hardware especial para obtener estadsticamente somos capaces de ver que variables
esta capacidad. forman parte del modelo o cuales de las que
finalmente se utilizaron para modelar fueron
Inclusin flexible en la tecnologa vigente: se seleccionadas por los algoritmos para predecir o
pueden obtener chips especializados para redes clasificar, podemos ver sus pesos y la ecuacin final,
neuronales que mejoran su capacidad en ciertas cosa que no es posible en las redes neuronales.
tareas. Ello permitir la integracin de mdulos
en los sistemas existentes. Segn Eduardo Rivera en su artculo Introduccin a
las redes neuronales artificiales de 2007 [4] las
Las redes neuronales se autoajustan a los desventajas pueden ser:
elementos procesales: Son dinmicas, pues son
capaces de estar constantemente cambiando
Complejidad de aprendizaje para grandes tareas,
para adaptarse a las nuevas condiciones.
cuanto ms cosas se necesita que aprenda la red,
ms complicado ser ensearle
La funcin del diseador es nicamente la Tiempo de aprendizaje elevado. Esto depende de
obtencin de la arquitectura apropiada. No es dos factores: primero se incrementa la cantidad
problema del diseador el cmo la red aprender de patrones a identificar o clasificar y segundo se
a discriminar. Sin embargo, s es necesario que requiere mayor flexibilidad o capacidad de
desarrolle un buen algoritmo de aprendizaje que adaptacin de la red neuronal para reconocer
le proporcione a la red la capacidad de patrones que sean sumamente parecidos, se
discriminar, mediante un entrenamiento con deber invertir ms tiempo en lograr que la red
patrones. converja a valores de pesos que representan lo
que se quiere ensear.
D. DESVENTAJAS DE LAS RNA No permite interpretar lo que se ha aprendido, la
red por si sola proporciona una salida, un
No son muchas las desventajas de las RNA, al menos
nmero, que no puede ser interpretado por ella
desde el punto de vista del software o de los
misma sino que se requiere de la intervencin del
lenguajes computacionales, pero si a nivel de
programador y de la aplicacin en si para
Hardware. La capacidad de las redes neuronales
encontrarle un significado la salida
radica en su habilidad de procesar informacin en
proporcionada.
paralelo (esto es, procesar mltiples pedazos de
datos simultneamente). Desafortunadamente, las Elevada cantidad de datos para el entrenamiento,
mquinas hoy en da son en serie - slo ejecutan una cuanto ms flexible se requiera que sea la red
instruccin a la vez. Por ello, modelar procesos neuronal, ms informacin tendr que ensearle
paralelos en mquinas serie puede ser un proceso para que realice de forma adecuada la
que consuma mucho tiempo. Como todo en este da y identificacin.
poca, el tiempo es esencial, lo que a menudo deja E. CLASIFICACION DE LAS RNA
las redes neuronales fuera de las soluciones viables a Los cientficos y tcnicos a lo largo de la historia como
un problema. han planteado diferentes modelos de redes
neuronales artificiales, esto ha generado una
Otros problemas con las redes neuronales son la falta
multiplicidad de modelos, algunos nicos, otros
de reglas definitorias que ayuden a construir una red,
hbridos no siendo fcil clasificarlos
para un problema dado, hay muchos factores a tomar
en cuenta: el algoritmo de aprendizaje, la Sin embargo, segn lo planteado por Flrez y Gmez
arquitectura, el nmero de neuronas por capa, el en su artculo Las redes neuronales celulares y su
nmero de capas, la representacin de los datos y aplicacin en el procesamiento de imgenes
mucho ms y otro de los problemas es la llamada utilizando matlab [5] y adems los planteado en:
caja negra el problema es que cuando se modela
Investigacin y Desarrollo en TIC, Vol 2 No 1 pp. 18-27. Junio, 2011 24
Redes Neuronales Artificiales: Una Revisin del Estado del Arte, Aplicaciones Y Tendencias Futuras
Cellular Neural Networks[6] las redes neuronales organizados. Por ejemplo: Memorias
pueden ser clasificadas bajo 2 criterios: Asociativas, Hopfield, La mquina de
Boltzman y la mquina de Cauchy, redes de
aprendizaje competitivo, Kohonen y redes de
Una dependiendo de la naturaleza de su entrada que resonancia adaptativa (ART).
puede ser continua o binaria (discreta). Otra puede Redes Hbridas: Es una combinacin de las 2
ser vista desde 5 propiedades a saber: topologa, anteriores en donde se emplea una funcin
arquitectura, modelo neuronal, algoritmo de de mejora para facilitar la convergencia: Por
ejemplo las redes de base radial.
aprendizaje y planificacin. Kohonen estableci
Aprendizaje Reforzado: Estn ubicadas entre
adems otra clasificacin adicional: Redes
el supervisado y el auto organizado
Feedforward, Backforward y Redes competitivas.
IV. APLICACIONES
En la actualidad se clasifican a partir de 2 de sus Las redes neuronales tienen un gran nmero de
aplicaciones reales en la industria. De hecho ya han
caractersticas primordiales:
sido aplicadas en muchos dispositivos electrnicos
Segn su Topologa: comerciales, debido a que estas, muestran mejores
resultados en el reconocimiento de patrones o
Red Feedforward y Backforward: que son dos tendencia de los datos que estn bien adaptados
tipos de redes de propagacin hacia adelante para la previsin de las necesidades. Segn el artculo
o acclicas en las que las seales van desde la titulado Artificial Neural Networks [7] De esta
capa de entrada hacia la de salida, sin existir amplia gama de aplicaciones nos dedicaremos a
ciclos ni conexiones, entre neuronas de la algunas:
misma capa.
Reconocimiento de Caracteres: Esta idea tom
En funcin de su estructura pueden ser de dos mucho auge y fue tomada inicialmente en las
clases: palm que fueron muy populares hace algunos
Monocapa: (Ejemplo: Perceptrn o el aos, aun esta aplicacin se emplea en algunos
Adeline) tablets y telfonos celulares tctiles. De hecho, el
Multicapa: (Ejemplo: Perceptrn Multicapa) reconocimiento de caracteres, permite reconocer
Red Recurrente: Que presenta al menos un texto escrito manualmente.
ciclo cerrado de activacin neuronal Compresin de imgenes: Las redes neuronales
(Ejemplo: Elman y Hopfield) pueden recibir y procesar grandes cantidades de
informacin a la vez, siendo esto til en la
Segn su Algoritmo de Aprendizaje: compresin de imgenes, solo basta hacer una
observacin con el crecimiento del internet y del
En este caso se clasifican en 4 modelos propuestos: diseo de imgenes y de animaciones, cada vez
ms pesadas, pero en los navegadores de
Aprendizaje Supervisado: Se Necesita internet, son muy livianas.
informacin preliminar de entrada Mercado de Valores: El negocio del da a da de la
previamente clasificado o cuya respuesta sea bolsa burstil es muy complicado, muchos
conocida por ejemplo: Perceptrn simple, factores pesan en si una accin propuesta subir
Backpropagation, Perceptrn multicapa, o bajar. Desde las RNA se puede examinar una
Memoria Asociativa Bidireccional. gran cantidad de informacin en forma rpida y
Aprendizaje Auto organizado: No necesitan organizar todo de manera que se pueda hacer un
un conjunto de datos previamente adecuado estudio de proyeccin y predecir el
valor de las acciones.
Investigacin y Desarrollo en TIC, Vol 2 No 1 pp. 18-27. Junio, 2011 25
Redes Neuronales Artificiales: Una Revisin del Estado del Arte, Aplicaciones Y Tendencias Futuras
gran nmero de neuronas. Basado en un A Layared description language for spiking neural
comportamiento meramente numrico, es networking modeling: (Una Descripcin de un
probable que las conexiones sinpticas son el lenguaje pos capas para la adicin de modelado
sitio ideal para almacenar la gran cantidad de de redes neuronales). Ponencia presentada por
informacin que constituye nuestra memoria. Chung-Chuan Lo del Departamento de Biologa
Estructural y bioinformtica, de la Universidad
Actualmente existe una cantidad considerable de Nacional Tsing Hua (Hsinchu, Taiwan).
datos experimentales para mostrar que el cambio
sinptico es una experiencia de forma Este cientfico plante en su exposicin el diseo
dependiente, y cada vez mas apuntan a estas de una herramienta de modelacin de redes
modificaciones, elemento esencial para la neuronales basado en xml de forma que se
memoria celular. Esto resulta ser un campo frtil estandarizara el lenguaje a la hora de ser
y un reto para la NeuroInformtica. Las Sinapsis replicado por la comunidad cientfica, este
es precisamente, el cruce de la sealizacin lenguaje recibe el nombre de NineML y tiene 3
elctrica y qumica. Aunque hay una gran ventajas importantes a destacar:
cantidad de modelos de la sealizacin de la
memoria, son pequeas piezas del rompecabezas a) Es manejado por capas (del usuario y de la
multidimensional. abstraccin). Las capas de usuario basadas en
XML proporcionan la sintaxis para especificar
La memoria sinptica es uno de esos procesos la creacin de instancias y parametrizacin de
que no solo demanda de modelos de un modelo de red en trminos biolgicos. La
sealizacin, pero los modelos multiescala que capa de abstraccin proporciona
abarcan las redes neuronales, biofsica celular, el explcitamente las descripciones de los
cambio estructural, la sntesis de protenas de conceptos bsicos, las matemticas, las
sealizacin biomecnica, y la expresin gnica. variables del modelo y las normas estatales
Algunos de estos dominios, como la sealizacin de actualizacin.
bioqumica estn bien representados por las b) Completamente coherente: Todos los
herramientas de simulacin y las normas SBML. conceptos del modelado definido en la capa
de usuario se expresan explcitamente en la
El autor present el modelado de la sinapsis a capa de abstraccin de modo que un modelo
travs de escalas mltiples. Hay problemas de red neuronal puede estar sin
conceptuales aqu, debido a que estn ambigedades a la hora de su
fundamentalmente tratando de entender los implementacin por un software que es
pocos cambios que se presentan frente a la totalmente compatible con NineML.
estabilidad sinptica, siendo que este es un c) Fcilmente ampliable: futuras ampliaciones
sistema que no solo se puede reprogramar por s se tienen en cuenta en el desarrollo de
mismo, sino adems reconstruirse. NineML. Por lo tanto pueden agregarse
modelos que antes no era posible agregarlo a
Otros reto a enfrentarse es el comportamiento de la versin actual de NineML sin ningn tipo
la estabilidad de la sinapsis a largo plazo frente a de modificacin sustancial indistintamente el
la estocasticidad biomecnica. Hay acoplamientos idioma.
interesantes en diferentes niveles, donde los El uso de NineML, los investigadores podrn
eventos elctricos tienen efectos bioqumicos y describir su modelo de red neuronal en un
viceversa, el autor sugiere que estos dos eventos simulador sin ningn tipo de inconvenientes. Se
se cruzan y es uno de las situaciones clave en la
cree que este proyecto generar impactos
convergencia de las herramientas de la
profundos en la comunidad cientfica y facilitar
NeuroInformtica y de los principios que puede
hacer una gran diferencia. la investigacin en neurociencias.
Investigacin y Desarrollo en TIC, Vol 2 No 1 pp. 18-27. Junio, 2011 27
Redes Neuronales Artificiales: Una Revisin del Estado del Arte, Aplicaciones Y Tendencias Futuras
[11]http://biomepedia.wikispaces.com/file/view/den
tritas-y-neuronas.jpg/152193607/dentritas-y-
neuronas.jpg