REDES NEURONALES ARTIFICIALES

Cuando hablamos de Sistemas Complejos Adaptativos, el cerebro humano ha sido considerado como uno de los ejemplos ms relevantes de esa clase de sistemas. Las clulas nerviosas bsicas de la corteza cerebral: las neuronas, de las cuales nuestro cerebro posee unas 10,000,000,000, al interconectarse entre s, son capaces de responder a los estmulos que reciben y producir los resultados sensoriales y motores que todos conocemos. En ellas se basa nuestra memoria, el habla, el aprendizaje de nuevas habilidades, el pensamiento, los movimientos conscientes y todo el funcionamiento de nuestra mente. Algunos autores, creen que de ese trabajo intenso de las neuronas procede tambin ese poderoso y misterioso reino que nos caracteriza como humanos: la conciencia. Las neuronas estn constituidas por un cuerpo celular, una red de prolongaciones nerviosas que reciben impulsos y que son llamadas Dendritas, y una larga prolongacin llamada Axon, que es la que conduce las respuestas del cuerpo celular hacia otras neuronas o hacia los rganos efectores. Las Redes Neuronales Artificiales, han surgido inspiradas en las redes neuronales biolgicas y constituyen una rea de mucha importancia en Inteligencia Artificial. COMO SE DEFINE UNA RED NEURONAL ARTIFICIAL Existen varias definiciones de lo que es una Red Neuronal Artificial, y estas son algunas de ellas, tal como lo exponen en su trabajo sobre Redes Neuronales Artificiales los autores Emilio Soria y Antonio Blanco: http://www.acta.es/articulos_mf/19023.PDF Una red neuronal es modelo computacional paralelo, compuesto de unidades procesadoras adaptativas con una alta interconexin entre ellas. Sistemas de procesado de la informacin que hacen uso de algunos de los principios que organizan la estructura del cerebro humano. Modelos matemticos desarrollados para emular el cerebro humano. Sistema de procesado de la informacin que tiene caractersticas de funcionamiento comunes con las redes neuronales biolgicas. Sistema caracterizado por una red adaptativa combinada con tcnicas de procesado paralelo de la informacin. Desde la perspectiva del reconocimiento de patrones las redes neuronales son una extensin de mtodos clsicos estadsticos.

HISTORIA DE LAS REDES NEURONALES ARTIFICIALES 1906: Santiago Ramn y Cajal obtuvo el Premio Nbel de Medicina por su nueva teora, Doctrina de la Neurona. 1943: primera neurona artificial producida por Warren McCulloch y Walter Pitts.1949: Donald Hebb escribi The Organization Behavior (fortalecimie nto de los caminos neurales cada vez que son utilizados) 1950s: Nathaniel Rochester, en IBM: primer trabajo para simular redes neuronales. 1959: Bernard Widrow y Marcian Hoff, de Stanford, desarrollaron modelos ADALINE y MADALINE, aplicaciones a problemas reales. 1962: Widrow y Hoff desarrollaron procedimiento de aprendizaje de las redes. 1972: Kohone y Anderson usaron matemticas de matrices para describir sus ideas sobre redes neuronales. 1975: se desarrolla la primera red multicapas. 1982: John Hopfield de Caltech presenta estudio para crear mquinas ms tiles usando lneas bidireccionales. 1982: Reilly y Cooper usaron Redes Hbridas con capas mltiples. 1982: Japn anunci esfuerzos de 5. Generacin en redes neuronales. 1986: David Rumelhart, Hinton y Williams presentan sus ideas de lo que ahora se llama redes de propagacin retrgrada. Actualmente las redes neuronales son utilizadas en muchas aplicaciones. El futuro de esta rea depende en forma principal en el desarrollo de hardware apropiado.
>> Ms informacin

ALGUNAS RAZONES DEL EXITO DE LAS APLICACIONES BASADAS EN ESTE TIPO DE REDES NEURONALES
En los ltimos aos ha habido un inters creciente en este tipo de redes que se han aplicado con xito en muchos campos tales como medicina, finanzas, ingeniera, geologa y fsica. El xito que esas aplicaciones han tenido se atribuye especialmente a la potencia de estas tcnicas que pueden modelar funciones complejas, y a su facilidad de uso, ya que estas redes aprenden con el ejemplo. Las Redes Neuronales Artificiales poseen adems del Aprendizaje Adaptativo, capacidades de Auto-organizacin, Operacin en Tiempo Real y Tolerancia a errores gracias a codificacin de informacin redundante. Los problemas en los que las aplicaciones de Redes Neuronales han sido efectivas han sido de los tipos siguientes: Deteccin de fenmenos mdicos. Prediccin del mercado de valores.

Asignacin de crditos. Monitoreo de condiciones de mquinas. Manejo de motores.

http://www.statsoft.com/textbook/stneunet.html

http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html

ELEMENTOS DE UNA RED DE NEURONA ARTFICIAL En un modelo de neurona artificial se presentan los siguientes elementos: Conexiones, pesos o sinapsis que determinan el comportamiento de la neurona. Las conexiones pueden ser Excitadoras o Inhibidoras. Un Sumador de entradas multiplicadas por sus sinapsis. Una funcin de Activacin no lineal que limita la amplitud de salida de la neurona. Un Umbral Exterior, por encima del cual se activa la neurona.

ARQUITECTURA DE LAS REDES DE NEURONAS ARTIFICIALES Una red neuronal tpica, consta bsicamente de tres capas: una capa de entrada, una capa de salida y una o ms capas ocultas. Las unidades de la capa de entradas estn conectadas a las unidades de las capas ocultas, las que a su vez estn conectadas con las unidades de la capa de salida. La actividad de las unidades de entrada depende de la informacin con que se alimenta la red. La actividad de cada unidad oculta se determina por las actividades de las unidades de entrada y los pesos de las conexiones entre las entradas y las unidades ocultas. El comportamiento de las unidades de salida depende de la actividad de las unidades ocultas y de los pesos ente las unidades ocultas y las de salida. (http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html) Segn el nmero de capas las redes pueden clasificarse en Redes Neuronales Monocapas y Redes Neuronales Multicapas. Segn el tipo de conexiones, se clasifican en Redes No Recurrentes (propagan seales en un solo sentido) y Recurrentes (presentan lazos de retroalimentacin). Segn el grado de conexin, las Redes pueden ser: Totalmente conectadas (todas las neuronas de una capa estn conectadas con las de la capa anterior o la siguiente), y Parcialmente conectadas (no existe conexin total entre neuronas).

http://www.acta.es/articulos_mf/19023.PDF PROCESO DE APRENDIZAJE Estas redes se caracterizan por su capacidad de aprendizaje. Este se realiza a travs de dos paradigmas generales:

Mapeo asociativo. La red aprende a producir patrones particulares basados en el conjunto de unidades de entradas utilizados. Deteccin de regularidades. Las unidades aprenden a responder a las propiedades particulares de los patrones de entrada.

El conocimiento de las redes est contenido en los valores de pesos de las conexiones. Todos los mtodos de aprendizaje utilizados pueden clasificarse en dos grandes categoras:

Aprendizaje Supervisado, que requiere un maestro externo. El propsito es determinar el conjunto de pesos que minimiza el error. Aprendizaje No Supervisado, no requiere maestro externo. Se basa en informacin local nicamente. Est relacionado con la Auto-organizacin. La red autoorganiza los datos presentados. Este tipo de auto-aprendizaje se hace on-line.

http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html

APLICACIONES DE REDES NEURONALES ARTIFICIALES:

Entre las aplicaciones conocidas estn: En Medicina:

Diagnstico de cardiopatas Deteccin de tumores cancergenos Caracterizacin de la dinmica en la variabilidad cardaca Compresin de seales electrocardiogrficas Prediccin de enfermedades degenerativas cardacas Prediccin del riesgo de intoxicacin por digoxina Prediccin de la respuesta emtica

Prediccin del nivel de Tracrolimus en sangre. Prediccin del nivel de ciclosporina En Procesado de seales: Ecualizacin de canales de comunicacin Reconocimiento de patrones de imgenes. Reconocimiento de voz. Sonar y Radar. Eliminacin activa de ruido. Control. En Economa: Concesin de crditos. Deteccin de posibles fraudes en tarjetas de crditos. Determinacin de la posibilidad de quiebra en un banco. Prediccin del gasto elctrico de empresas y centrales. Cambio de moneda. Tendencias a corto y medio plazo en bolsas de valores. Prediccin de stocks. En Medio Ambiente: Prediccin de irradiacin solar. Prediccin de niveles txicos de ozono en zonas urbanas y rurales. Prediccin de variaciones globales de temperatura. http://www.acta.es/articulos_mf/19023.PDF

Ivn Tercero Talavera http://www.coevolucion.net/