Modelos de Redes

Neuronales
Ral Barba Cruz

Introduccin
Como en la fsica a toda accin se da una
reaccin o respuesta, en los modelos
neuronales podemos decir que si es as;
pero que la respuesta tambin se da en
cambios internos (psicofisiolgicos) y
externos (conductuales).
Toda la estructura organsmica es una
interconexin de elementos que nos
llevan a estructuras muy simples, pero
con acciones cruciales para la vida.

Introduccin
Se estima que el cerebro humano
contiene ms de cien mil millones de
neuronas y sinapsis en el sistema
nervioso (Marn, 2010).
Y la manera en la que trabaja esta
estructura nos da la inspiracin para
la creacin de modelos que emulen
sus funciones y procesos.

Definicin
Matich (2001) plantea que:
Las redes neuronalesson redes interconectadas
masivamente en paralelo de elementos simples
(usualmente
adaptativos)
y
con
organizacin
jerrquica, las cuales intentan interactuar con los
objetos del mundo real del mismo modo que lo hace
el sistema nervioso biolgico.
Es decir que son conjuntos de actividades individuales
que al sumarse logran realizar una funcin.

Definicin
Fueron originalmente una
simulacin abstracta de los
sistemas
nerviosos
biolgicos, constituidos por
un conjunto de unidades
llamadas neuronas o nodos
conectados unos con otros.

Clasificacin
Marn (2010) seala que existe una clasificacin bsica:
1. Modelos inspirados en la Biologa: Estos
comprenden las redes que tratan de simular los
sistemas neuronales biolgicos, as como ciertas
funciones como las auditivas o de visin.
2. Modelos artificiales aplicados: Estos modelos no
tienen por qu guardar similitud estricta con los
sistemas biolgicos. Sus arquitecturas estn bastante
ligadas a las necesidades de las aplicaciones para las
que son diseados.

Funcionamiento
La neurona es la unidad
fundamental
del
sistema
nervioso y en particular del
cerebro. Cada neurona es una
simple unidad procesadora
que recibe y combina seales
desde y hacia otras neuronas.
Si la combinacin de entradas
es suficientemente fuerte la
salida de la neurona se

Funcionamiento
En las Redes Neuronales Artificiales, la unidad
mnima de trabajo es el Elemento Procesador.
Este elemento procesador tiene varias
entradas y las combina, normalmente con una
suma bsica; y dicha suma de las entradas es
modificada por una funcin de transferencia; y
el valor de la salida de esta funcin de
transferencia se pasa directamente a la salida
del elemento procesador. La salida del
elemento procesador se puede conectar a las
entradas de otras unidades.

Funcionamiento
Fauset (1993) menciona
funcionamiento:

caractersticas

de

su

1) El procesamiento de informacin ocurre en

muchos elementos simples llamados neuronas.
2) Las seales son transferidas entre neuronas a
travs de enlaces de conexin.
3) Cada conexin tiene un peso asociado, el cual,
tpicamente, multiplica a la seal transmitida.
4) Cada neurona aplica una funcin de activacin
(usualmente no lineal) a su entrada de red (suma
de entradas pesadas) para determinar su salida.

Aplicaciones
a) Computacional: Modelos eficientes, potentes y
simples; as como en las reas de aprendizaje
inductivo y reconocimiento de patrones.
b) Cognitivo: Interesado por capacidades
cognitivas de los modelos; y tambin en
modelos centrados en representacin del
conocimiento
c) Biocognitivo: Da fuerza a la premisa de la
plausibilidad biolgica
d) Psicofisiolgico: Analiza los mecanismos
naturales de procesos cognitivos reales.

Aplicaciones
En trminos generales podemos determinar que se utilizan
para:
a) Generalizacin
b) Estructura altamente paralela
c) No linealidad
d) Mapeo de Entrada Salida
e) Adaptabilidad
f) Respuesta graduada
g) Informacin Contextual
h) Tolerancia a fallos
i) Uniformidad en el Anlisis y Diseo
j) Analoga Neurobiolgica

Ventajas
Provee simulacin real de la memoria humana:
1. Favorecen el aprendizaje entre categoras
2. Extraen patrones cannicos y prototpicos de un
conjunto de instancias.
3. En ocasiones favorecen el recuerdo completo de
un episodio a partir de informacin parcial.
4. Genera y se basa en el Aprendizaje Adaptativo.
5. Se desarrolla a partir de la Auto-organizacin.
6. Operacin en tiempo real.
7. Fcil insercin dentro de la tecnologa existente.

Desventajas
1. El desarrollo de tecnologa no logra
emular
los
niveles
de
almacenamiento del cerebro.
2. Es rpido pero no logra emular los
niveles de interconectividad.
3. Se generaliza y no se consideran las
individualidades.
4. Las condiciones de adaptabilidad y
complejidad natural del cerebro no
pueden ser observadas en su
totalidad

Conclusiones
Los modelos de redes neuronales, a
partir de la comprensin que
tenemos sobre el sistema nervioso,
nos han permitido emular la calidad y
eficacia del trabajo y ordenamiento
de la informacin. Si bien es cierto
que a velocidades e intensidades
diferentes estas trabajan; nos da un
panorama de la proximidad y
eficiencia del cerebro, sus funciones
y que camino debemos de seguir en

Referencias
Basogain Olabe, X. (2008). Redes Neuronales Artificiales y sus aplicaciones. Bilbao, Espaa. Recuperado el
13 de Febrero de 2015, de http://www.ciberesquina.una.edu.ve:8080/2014_2/350_E.pdf
Fausett, L. (1993). Fundamentals of Neural Networks: Architectures, Algorithms And Applications. Prentice
Hall. Recuperado el 13 de Febrero de 2015
Garca Bez, P. (2013). Introduccin a las Redes Neuronales y su aplicacin a la Astrofsica. Canarias,
Espaa. Recuperado el 13 de Febrero de 2015
Len Carrin, J. (1995). Manual de Neuropsicologa Humana. Siglo XXI. Recuperado el 13 de Febrero de 2015
Marn Dizaraque, J. M. (2010). Introduccin a las Redes Neuronales Aplicadas. Madrid, Espaa. Recuperado el
13 de Febrero de 2015, de http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema3dm.pdf
Matich, D. J. (2001). Redes Neuronales: Conceptos Bsicos y Aplicaciones. Rosario, Argentina. Recuperado el
13
de
Febrero
de
2015,
de
http://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matichredesneuronales.pdf
Soltongo, G., & Guzmn, M. V. (2001). Aplicaciones de las redes neuronales. El caso de la Bibliometra. La
Habana,
Cuba.
Recuperado
el
13
de
Febrero
de
2015,
de
http://www.dynamics.unam.edu/DinamicaNoLineal/Articulos/MineriaDatos/Articulo03.pdf
Urza Hernndez, M. d. (Enero de 2010). Explicacin Neurofisiolgica del Aprendizaje. Mxico, D.F., Mxico.
Recuperado el 13 de Febrero de 2015