REDES NEURONALES

ARTIFICIALES
Por: Fabián Escobar
INTRODUCCIÓN

Actualmente existe un nuevo campo de las ciencias de la computación

que integra los diferentes métodos de resolución de problemas que no
pueden ser descritos fácilmente mediante un enfoque algorítmico
tradicional[Haykin, 1999]. Estos métodos, tienen como finalidad la
emulación de procesos inteligentes del comportamiento de los sistemas
biológicos [Orallo, 2007].
INTRODUCCIÓN

Se trata de una nueva forma de computación denominada Inteligencia

Artificial, la cual a través de diferentes métodos es capaz de manejar
las imprecisiones e incertidumbres que aparecen cuando se trata de
resolver problemas relacionados con el mundo real. Una de tales
técnicas es conocida como Redes Neuronales Artificiales (RNA).
INTRODUCCIÓN

Inspiradas en el funcionamiento del cerebro humano y dotadas por

tanto de cierta inteligencia, son capaces de resolver problemas que
requieren la intervención del ser humano. Éstas no son sino la
combinación de una gran cantidad de elementos simples de proceso -
neuronas artificiales- interconectados que operando de forma paralela
consiguen resolver problemas relacionados con aspectos de
clasificación.
CARACTERÍSTICAS GENERALES DEL
CEREBRO HUMANO

El cerebro humano está formado por una gran cantidad de unidades de

proceso denominadas neuronas, las cuales a diferencia de otras células
cuentan con una gran capacidad para comunicarse[Hilera, 2000]. Esto
es fundamental ya que tales elementos se agrupan entre si para
almacenar o procesar información.
CARACTERÍSTICAS GENERALES DEL
CEREBRO HUMANO

• Dendritas, ramificaciones a través de la cuales la neurona recibe información.

• Cuerpo de la célula, procesa las señales recibidas y con base en éstas emite o no una respuesta.

• Axón, estructura única con ramificaciones, a través del cual se transmite la información del cuerpo
celular a la dendrita de otra neurona.
CARACTERÍSTICAS GENERALES DEL
CEREBRO HUMANO
La sinapsis son estructuras elementales y unidades funcionales que se da mediante la
interacción entre neuronas[Haykin, 1999]. Cabe mencionar que dentro de la sinapsis
la terminal del axón y la dendrita no se establece contacto físico.
CARACTERÍSTICAS GENERALES DEL
CEREBRO HUMANO

La sinapsis entre neuronas se realiza a través de impulsos, cuya

naturaleza es de dos tipos: eléctrica y química. La señal generada por
la neurona y transportada a lo largo del axón corresponde a un impulso
eléctrico, a diferencia de la señal entre las terminales del axón y las
dendritas que es de origen químico[Hilera, 2000].
CARACTERÍSTICAS GENERALES DEL
CEREBRO HUMANO

Esto último se realiza mediante moléculas de substancias llamadas

neurotransmisores que fluyen a través de la membrana celular en la
región de la sinapsis. La membrana celular es permeable para ciertas
especies iónicas (cloruro-, sodio+, potasio+), y actúa de tal forma que
se mantenga una diferencia de potencial entre el fluido intracelular y
el fluido extracelular, llamado potencial de reposo. Este efecto se
consigue primordialmente mediante la variación en la concentración de
sodio y potasio en los lados opuestos de la membrana celular[Hilera,
2000].
CARACTERÍSTICAS GENERALES DEL
CEREBRO HUMANO

Membrana Celular.
CARACTERÍSTICAS GENERALES DEL
CEREBRO HUMANO

Cuando se lleva a cabo la sinapsis se genera una variación en la

concentración del sodio y el potasio produciéndose una variación en el
valor del potencial (potencial de acción). Este potencial de acción a su
vez produce una variación en la permeabilidad de la membrana, lo cual
permite el intercambio de substancias neurotransmisoras[Hilera, 2000].
Existen dos tipos de sinapsis:
CARACTERÍSTICAS GENERALES DEL
CEREBRO HUMANO

• Sinapsis excitadoras, cuyos neurotransmisores provocan disminuciones de

potencial, facilitando la generación de impulsos a mayor velocidad.

• Sinapsis inhibitorias, los neurotransmisores tienden a estabilizar el

potencial, dificultando la emisión de impulsos.

Lo anterior se presenta en cada una de las sinapsis de la neurona, por lo que

la entrada total es igual a la suma ponderada de cada una de las señales
provenientes de otras neuronas. Dependiendo de la cantidad alcanzada, si
sobre pasa un valor umbral la neurona se activa (genera una salida), en caso
contrario no se activa[Hilera, 2000].
¿QUÉ SON LAS REDES NEURONALES
ARTIFICIALES?

• Las Redes Neuronales Artificiales son modelos que intentan reproducir el comportamiento
del cerebro humano [Hilera, 2000].

• Las Redes Neuronales Artificiales son un método de aprendizaje cuya finalidad inicial es
emular los procesos biológicos de información [Orallo, 2000].

• El proceso de almacenar información en patrones, utilizarlos y resolver problemas con

ellos es el que tratan de imitar las redes neuronales artificiales intentando reproducir el
comportamiento humano mediante el uso de computadoras [Fernández, 2000].

• Las Redes Neuronales Artificiales son redes interconectadas masivamente en paralelo de

elementos simples (usualmente adaptables), con organización jerárquica, los cuales intentan
interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso
biológico[Haykin, 1999].
¿QUÉ SON LAS REDES NEURONALES
ARTIFICIALES?

Una RNA esta formada por neuronas artificiales, estas se organizan

jerárquicamente por capas y se interconectan entre ellas tal y como se
produce en el cerebro humano. Las salidas de una neurona se conectan
con las entradas de otras neuronas, si el peso entre dos neuronas
conectadas es positivo, el efecto producido es de excitación; por el
contrario, cuando es negativo este efecto es de inhibición[Orallo,
2007].
¿QUÉ SON LAS REDES NEURONALES
ARTIFICIALES?

En la siguiente figura, se representan las capas y neuronas de una RNA.

Las neuronas interaccionan con el medio para recibir las entradas. Las
neuronas de la capa de salida generan los valores que la red cree que
corresponden con los valores de entrada a la red o bien los valores que
la red cree que son la proyección adecuada de los valores de entrada.
El resto de las neuronas están situadas en una o más capas
intermedias[Fernández, 2000].
¿QUÉ SON LAS REDES NEURONALES
ARTIFICIALES?

Estructura de una Red Neuronal Artificial Multicapa

VENTAJAS DE LAS REDES NEURONALES
ARTIFICIALES

 Su estructura distribuida masivamente en paralelo. El procesamiento

de la información tiene lugar a través de la interacción de una gran
cantidad de neuronas computacionales, cada una de las cuales envía
señales excitadoras o inhibitorias a otros nodos en la red.
VENTAJAS DE LAS REDES NEURONALES
ARTIFICIALES

 Su habilidad para aprender y generalizar. Las RNA tienen la capacidad

de adquirir conocimiento de su entorno mediante la adaptación de
sus parámetros internos, lo cual se produce en respuesta a la
presencia de un estímulo externo. Es decir la red aprende de los
ejemplos que le son presentados, y a partir de ellos generaliza el
conocimiento.

 La generalización puede interpretarse como la propiedad de las Redes

Neuronales Artificiales de producir una respuesta adecuada a
estímulos desconocidos relacionados con el conocimiento adquirido
VENTAJAS DE LAS REDES NEURONALES
ARTIFICIALES

 Estas dos características para procesar la información hacen posible

que las RNA den solución a problemas complejos normalmente
intratables mediante los métodos de aproximación tradicionales.
Adicionalmente, su empleo proporciona los siguientes beneficios:
VENTAJAS DE LAS REDES NEURONALES
ARTIFICIALES

 No linealidad: La no linealidad, es importante sobre todo en los casos

donde la tarea a desarrollar presenta un comportamiento alejado del
lineal, lo cual se presenta en la mayoría de situaciones reales.

 Aprendizaje adaptativo: La red neuronal artificial es capaz de

determinar implícitamente la relación entre los diferentes ejemplos
que se le presentan, o identificar la clase a la cual pertenecen, sin
requerir un modelo previo.
VENTAJAS DE LAS REDES NEURONALES
ARTIFICIALES

 Auto-organización: Esta propiedad le permite a las RNA distribuir el

conocimiento en toda la estructura de la red, es decir no existe algún
elemento con información específica almacenada.

 Tolerante a fallos: Característica que se manifiesta en dos sentidos:

el primero está relacionado con las muestras presentadas a la red, en
cuyo caso esta última responde acertadamente aún cuando los
ejemplos exhiban variabilidad o ruido; el segundo, aparece cuando en
alguno de los elementos de la red surge algún fallo, lo cual no
imposibilita su funcionamiento por la forma como almacena la
información.
APLICACIONES DE LAS REDES
NEURONALES ARTIFICIALES

 RECONOCIMIENTOS DE PATRONES
 AGRUPAMIENTO
 APROXIMACIÓN DE FUNCIONES
 PREDICCIÓN
 OPTIMIZACIÓN
 ASOCIACIÓN
 CONTROL

Para tales aplicaciones existen soluciones exitosas desde un enfoque

clásico, sin embargo en la mayoría de los casos sólo son validas en
ambientes restringidos y presentan poca flexibilidad fuera de su dominio.
Las RNA proporcionan alternativas que dan soluciones flexibles en un
gran dominio.
 MODELO COMPUTACIONAL DE LA
NEURONA

 En la construcción de cualquier RNA se pueden identificar,

dependiendo de su localización en la red, tres tipos de neuronas
computacionales: de entrada, salida y oculta. Las neuronas de la capa
de entrada son las que reciben estímulos externos desde el entorno,
la cual puede tener como origen algún sensor o provenir de otros
sectores del sistema.
 MODELO COMPUTACIONAL DE LA
NEURONA

 Las neuronas de la capa de salida tienen la función de transmitir la

respuesta de la red neuronal artificial al exterior (salida de la red).
Por último, las neuronas de la capa oculta son aquellas cuyas
entradas y salidas se encuentran dentro de la red, es decir no tienen
contacto con el exterior
MODELO COMPUTACIONAL DE LA
NEURONA

Modelo computacional de la neurona

 FUNCIÓN NET – FUNCIÓN DE ACTIVACIÓN

 Matemáticamente se modela el cuerpo de la neurona y el axón por

una función net y una función de activación respectivamente. La
selección de estas funciones frecuentemente depende del tipo de
aplicación para la cual sea empleada la neurona computacional.
FUNCIÓN NET

net j   w ji Oi
i

Dónde wji es una cantidad denomina peso asignado al enlace de comunicación

entre la neurona j y el nodo i, y Oi es la salida de la neurona computacional i.
Cada conexión entre nodos tiene un peso que representa la fuerza de la influencia
entre ellos, éste se modifica durante el entrenamiento (aprendizaje) de la red, por
lo cual se puede considerar que el conocimiento reside en los pesos de los enlaces
de comunicación.
  1tgh
yyy  x (x )2) e  x)
 hard
sign
Ae Bx1lim(x
(x

FUNCIÓN DE ACTIVACIÓN

La función de activación se aplica sobre el netj y representa la

salida de la neurona computacional. Siendo el objetivo
fundamental emular los posibles estados -activación o
desactivación- de la neuronas, normalmente se emplean
expresiones de tipo umbral, tangente hiperbólica, ó sigmoidal.
  1tgh
yyy  x (x )2) e  x)
 hard
sign
Ae Bx1lim(x
(x

FUNCIÓN DE ACTIVACIÓN
REDES NEURONALES
ARTIFICIALES
Por: Fabián Escobar