Explicar acerca de una Red Neuronal Artificial (RNA)

Fundamentos Biolgicos Las Redes Neuronales Artificiales (RNA) son redes en las que existen elementos procesadores de informacin de cuyas interacciones locales depende el comportamiento del conjunto del sistema. Las RNAs tratan de emular el comportamiento del cerebro humano, del cual se conoce que esta basado en el aprendizaje a partir de la experiencia y extraccin de conocimiento genrico a partir de un conjunto de datos. La imitacin se realiza de tres formas: 1) Por simulacin, mediante un programa para computador. 2) Por emulacin, mediante el modelado a travs de estructuras de procesamiento con cierta capacidad de clculo paralelo. 3) Por implementacin de hardware de RNAs, mediante la construccin fsica de sistemas cuya arquitectura se aproxima a la estructura de la red neuronal biolgica. Sin embargo, existen diferencias significativas entre el cerebro biolgico y el computador (Tabla 1) Tabla 1: Cerebro humano vs. Computador convencional
Caracterstica Velocidad de proceso Estilo de procesamiento Nmero de procesadores Conexiones Almacenamiento del conocimiento Tolerancia a fallos Tipo de control del proceso Consumo de energa para ejecutar una operacin/seg Cerebro humano Entre 10-3 y 10-2 seg Paralelo Entre 1011 y 1014 10,000 por procesador Distribuido Amplio Autoorganizado (democrtico) 10-16 Julios Computador Ente 10-8 y 10-9 seg Secuencial (en serie) Pocos Pocas En direcciones fijas (posiciones precisas) Poca o nula Centralizado (dictatorial) 10-6 Julios

Los computadores presentan habitualmente una arquitectura tipo Von Neumann, y emplea un microprocesador muy rpido para ejecutar

operaciones en serie de manera fiable, por otro lado el cerebro humano esta compuesto por millones de procesadores elementales o neuronas interconectadas entre s formando redes. Mientras que los computadores convencionales realizan un procesamiento en serie, las neuronas biolgicas no necesitan ser programadas, si no que aprenden a partir de los estmulos que reciben del entorno y operan siguiendo un esquema masivamente paralelo. El elemento fundamental de los sistemas neuronales biolgicos es la neurona (etimolgicamente clula nerviosa) de forma genrica una neurona esta compuesta de (ver Fig 1): 1) Cuerpo celular o soma 2) Axn, es una rama principal que parte del cuerpo celular 3) Arbol dendrtico, compuesto por dendritas Figura 1. Estructuras tpicas de las neuronas biolgicas

La conexin entre el axn de una neurona y las dendritas de otra recibe el nombre de sinapsis o sinapsis (etimolgicamente contacto), y determina la fuerza y tipo de relacin entre ellas (Figura 2). El hecho de que unas sinapsis sean excitadoras o inhibidoras, y que tengan una mayor o menor importancia respecto al input final que recibe el soma, se determina biolgicamente a travs del aprendizaje. No obstante, las

sinapsis son unidireccionales, es decir, la informacin fluye siempre en un nico sentido. La transmisin de informacin entre neuronas se realiza a travs de seales de distinta naturaleza: elctrica y qumica; la seal elctrica prevalece en el interior de la neurona, mientras que la seal qumica lo hace en el exterior. Figura 2. Sinapsis neuronales

De forma simplista podemos decir que: 1.- Las dendritas constituyen el canal de entrada de informacin 2.- El soma o cuerpo celular, es el rgano de cmputo. 3.- El axn corresponde al canal de salida, y a la vez enva informacin a otras neuronas. Cada neurona recibe informacin de aproximadamente 10,000 neuronas y enva impulsos a cientos de ellas. 4.- Algunas neuronas reciben informacin directamente del exterior. Existen tres conceptos claves a emular: Procesamiento paralelo, derivado de que los miles de millones de neuronas que intervienen, por ejemplo en el proceso de ver, estn operando en paralelo sobre la totalidad dela imagen. Memoria distribuida, mientras que en un computador la informacin est en posiciones de memoria bien definidas, en las

redes neuronales biolgicas dicha informacin est distribuida por la sinapsis de la red, existiendo una redundancia en el almacenamiento, para evitar la perdida de informacin en caso de que una sinapsis resulte daada. Adaptabilidad al entorno, por medio de la informacin de las sinapsis. Por medio de esta adaptabilidad se puede aprender de la experiencia y es posible generalizar conceptos a partir de casos particulares.

El modelo estndart de neurona artificial El denominado modelo estndard de neurona artificial segn los principios descritos en Rumelhart y McClelland (1986) y McClelland y Rumelhart(1986). Figura 3. Sistema global de proceso de una red neuronal

El elemento fundamental de una red neuronal es la neurona, tambin llamado nodo, cuyo modelo se muestra en la Figura 4. En ella, la suma de las n entradas xj de la neurona i, ponderadas con los pesos sinpticos wij, genera la entrada ponderada total o potencial postsinptico de la neuroina i. Los pesos sinpticos wij miden la intensidad de la interaccin entre las dos neuronas que estn conectadas por el enlace. Posteriormente, se aplica una funcin de activacin o transferencia (f) a la diferencia entre potencial postsinptico y el umbral i, obtenindose la salida de la neurona (yi). Figura 4. Modelo de neurona artificial o Perceptrn simple

Donde

( )

) es el modelo matemtico ms elemental.

La funcin de activacin f() se suele considerar determinista, y en la mayor parte de los modelos es montona creciente y continua. La forma ( ) ( ) de las funciones de activacin ms empleadas en las redes neuronales artificiales se muestra en la Tabla 2. Donde x representa el postsinptico e y el estado de activacin. Tabla 2. Algunas funciones de activacin ms empleadas

Topologa
La topologa viene a ser la arquitectura, estructura o patrn de conexionado de una red neuronal. En una red neuronal artificial los nodos se conectan por medio de sinapsis, estando el comportamiento de la red determinado por la estructura de conexiones sinpticas. Estas conexiones sinpticas son direccionales, es decir, la informacin solamente puede propagarse en un nico sentido (desde la neurona presinptica a la pos-sinptica). En general las neuronas se suelen agrupar en unidades estructurales que denominaremos capas. El conjunto de una o ms capas constituye la red neuronal. Se distinguen tres tipos de capas: de entrada, de salida y ocultas. Una capa de entrada, tambin denominada sensorial, est compuesta por neuronas que reciben datos o seales procedentes del entorno. Una capa de salida se compone de neuronas que proporcionan la respuesta de la red neuronal. Una capa oculta no tiene una conexin directa con el entorno, es decir, no se conecta directamente ni a rganos sensores ni a efectores. Este tipo de capa oculta proporciona grados de libertad a la red neuronal gracias a los cuales es capaz de representar ms fehacientemente determinadas caractersticas del entorno que trata de modelar. Figura 5. Figura 5. Arquitectura unidireccional con tres capas de neuronas: una capa de entrada, una capa oculta y una capa de salida

Se tiene tres tipos de bsicos de RNAs, dos de propagacin hacia adelante (Monocapa y multicapa) y una recurrente.

1.- Red Monocapa, (Figura 6.1) 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 los diferentes clculos. Figura 6.1. Red Monocapa

2.- Red multicapa (Figura 6.2), es una generalizacin de la anterior, existiendo un conjunto de capas intermedias entre la capa de entrada y la de salida (capas ocultas). Este tipo de red puede estar total o parcialmente conectada. Figura 6.1. Red Multicapa

3.- Red recurrente (Figura 6.3), este tipo de red se diferencia de las anteriores en la existencia de lazos de realimentacin en la red. Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la misma capa o, entre una misma neurona. Esta estructura la hace especialmente adecuada para estudiar la dinmica de los sistemas no lineales.

Figura 6.1. Red recurrente

Aprendizaje
Este concepto es sustancialmente la modificacin de la respuesta producido por la interaccin con el medio y de esta forma establecer nuevas respuestas que se adaptan a estmulos externos. En el caso del cerebro estas cualidad se alberga en las sinapsis en el caso de las redes neuronales, el conocimiento esta en los pesos de las conexiones. Por esto, todo mecanismo de aprendizaje demanda modificaciones en dichos pesos, las cuales se pueden hacer a dos niveles: 1.- A travs del modelado de las sinapsis; que consiste en modificar los pesos sinpticos siguiendo una cierta regla de aprendizaje, construida normalmente a partir de la optimizacin de una funcin de error, que mide la eficacia actual de la operacin de la red. Si denominamos wij(t) al peso que conecta la neurona pre-sinptica j con la post-sinptica i en la iteracin t, el algoritmo de aprendizaje, en funcin de las seales que en el instante t llegan procedentes del entorno, proporcionar el valor wij(t) que da la modificacin que se debe incorporar en dicho peso, el cual quedar actualizado de la forma:wij(t+1) = wij(t) + wij(t) El proceso de aprendizaje es usualmente iterativo, actualizndose los pesos de la manera anterior, una y otra vez, hasta que la red neuronal alcanza el rendimiento deseado. 2.- A travs de la creacin o destruccin de neuronas; en el cual se lleva a cabo una modificacin de la propia arquitectura de la red. De este modo algunos de los tipos de aprendizaje mas relevantes que se pueden distinguir son:

1.- Aprendizaje supervisado. En el aprendizaje supervisado se presenta a la red un conjunto de patrones, junto con la salida deseada u objetivo, e iterativamente sta ajusta sus pesos hasta que la salida tiende a ser la deseada, utilizando para ello informacin detallada del error que se comete en cada paso. De este modo, la red es capaz de estimar relaciones entrada/salida sin necesidad de proponer una cierta forma funcional de partida. Es decir, si E[w] es una funcin que representa el error esperado de la operacin de la red, expresado en funcin de sus pesos sinpticos w, se pretende estimar una cierta funcin multivariables f : Rm Rn a partir de muestras (x;y) tomadas aleatoriamente por medio de la minimizacin iterativa de E[w] mediante aproximacin estocstica (las tcnicas de aproximacin estocstica estiman valores esperados a partir de cantidades aleatorias observadas). 2.- Aprendizaje no supervisado o auto organizado. El aprendizaje no supervisado se puede describir genricamente como la estimacin de la funcin densidad de probabilidad p(x) que describe la distribucin de patrones x Rn (espacio de entrada).En este tipo de aprendizaje se presentan a la red multitud de patrones sin adjuntar la respuesta que deseamos. La red, por medio de la regla de aprendizaje, estima p(x), a partir de lo cual podemos reconocer regularidades en el conjunto de entradas, extraer rasgos o agrupar patrones segn su similitud 3.- Aprendizaje hbrido. En este caso existen en la red los dos tipos de aprendizajes bsicos, supervisado y auto organizado, normalmente en distintas capas de neuronas. 4.- Aprendizaje reforzado. Se sita a medio camino entre al aprendizaje supervisado y el auto organizado. Como en el primero, se emplea informacin sobre el error cometido, pero en este caso existe una nica seal de error, que representa un ndice global del rendimiento de la red (solamente le indicamos lo bien o lo mal que est actuando). Como en el caso del no supervisado, no se suministra explcitamente la salida deseada.

Diseo y programacin de una RNA

La aproximacin basada en las RNA parte de un conjunto de datos de entrada suficientemente significativo y el objetivo es conseguir que la red aprenda automticamente las propiedades deseadas. En este sentido, el diseo de la red tiene menos que ver con cuestiones como los flujos de datos y la deteccin de condiciones, y ms que ver con cuestiones tales como la seleccin del modelo de red, la de las variables a incorporar y el preprocesamiento de la informacin que formar el conjunto de entrenamiento o aprendizaje. 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. Por ejemplo en una red que se va a aplicar al diagnstico de imgenes mdicas; durante la fase de entrenamiento el sistema recibe imgenes de tejidos que se sabe son cancergenos y tejidos que se sabe son sanos, as como las respectivas clasificaciones de dichas imgenes. Si el entrenamiento es el adecuado, una vez concluido, el sistema podr recibir imgenes de tejidos no clasificados y obtener su clasificacin sano/no sano con un buen grado de seguridad. Las variables de entrada pueden ser desde los puntos individuales de cada imagen hasta un vector de caractersticas de las mismas que se puedan incorporar al sistema (por ejemplo, procedencia anatmica del tejido de la imagen o la edad del paciente al que se le extrajo la muestra).

Aplicaciones
Las redes neuronales tratan de resolver de forma eficiente problemas que pueden encuadrarse dentro de tres amplios grupos: optimizacin, reconocimiento y generalizacin. Estos tres tipos engloban un elevado nmero de situaciones, lo que hace que el campo de aplicacin de las redes neuronales en la gestin empresarial sea muy amplio. En los problemas de optimizacin, se trata de determinar una solucin que sea ptima. Generalmente se aplican redes neuronales realimentadas, como el modelo de Hopfield citado. En la gestin empresarial, son decisiones de optimizacin encontrar los niveles de

tesorera, de existencias, de produccin, construccin de carteras ptimas, etc. En los problemas de reconocimiento, se entrena una red neuronal con inputs como sonidos, nmeros, letras y se procede a la fase de test presentando esos mismos patrones con ruido. Este es uno de los campos ms fructferos en el desarrollo de redes neuronales y casi todos los modelos: perceptrn, redes de Hopfield, mapas de Kohonen, etc, han sido aplicados con mayor o menor xito. En los problemas de generalizacin, la red neuronal se entrena con unos inputs y el test se realiza con otros casos diferentes. Problemas tpicos de generalizacin son los de clasificacin y prediccin.