Introduccin a las Redes

Neuronales
Ronald Fernando Rodrguez Barbosa1
Resumen
Las mquinas tienen un papel importante en la
vida cotidiana de los seres humanos. Sin
embargo, lo que se conoce como sistemas de
cmputo y la gran evolucin que han tenido a
travs de los aos, han dado a entender que
an se presentan problemas, en el momento de
abordar tareas del mundo real; ya que la
informacin es masiva, redundante e imprecisa.
Por esa razn, desde hace unos aos, las
grandes mentes en la historia de la
computacin han propuesto nuevos modelos de
procesamiento, inspirados en las estructuras y
patrones que la naturaleza desarroll, durante
aos de evolucin. Al implementar estas
estructuras y patrones, se pueden encontrar
resultados satisfactorios en el momento de
resolver problemas tecnolgicos como los de
reconocimiento del habla, visin artificial,
sistemas de control, entre otros.
Palabras clave: redes neuronales artificiales,
neurona biolgica, aprendizaje en redes
neuronales.
Abstract
Machines have an important paper in the daily
life of the human beings. Nevertheless what is
known as systems of calculation and the great
evolution they have had across the years, they
have given to understand that they still present
problems in the moment to approach tasks of
the real world; due the information that this
one handles is massive, redundant and vague.
For this reason, a few years ago big minds in
history of the computation have proposed new
models of processing inspired by structures and
patterns in the nature which have developed
during years of evolution. On having
implemented these structures and these
patterns, satisfactory results can be found in the
moment to solve technological problems such
1 Estudiante de ingeniera de Sistemas Universidad Libre

as speech recognition, artificial vision, control

systems, among others.
Keywords: artificial neural networks,
biologic neuron, learning in neural networks.
Introduccin
Durante las ltimas dcadas se ha buscado,
investigado, y en el proceso se ha desarrollado
e implementado sistemas que
permitan
mejorar nuestros sistemas de vida. Ingenieros y
cientficos han sugerido mltiples salidas a
problemas crecientes en el sector empresarial y
ante un mundo competitivo, la innovacin
tecnolgica es perseguida por Institutos
Educativos, y por algunas grandes empresas
como IBM.
El cerebro es una de las estructuras ms
complejas de la naturaleza, no solo a nivel
fsico sino a nivel funcional; y en la inmensa
extensin de estudios realizados sobre l, no se
ha podido determinar sino solo una pequea
parte de sus funciones, sus capacidades, y lo
ms importante, Cmo lo hace?
En las siguientes lneas, se podr encontrar
informacin que le ayudar a adentrarse en el
tema, si su fin es la implementacin o dar
solucin a un problema especfico, donde los
mtodos algortmicos, pueden ser ineficientes o
inclusive inexistentes.
Cerebro contra el computador
En la actualidad el dispositivo de cmputo ms
utilizado es el microprocesador; con la
caracterstica de integrar varios millones de
componentes electrnicos en un espacio muy
reducido, y sus grandes capacidades de clculo,
representa un potente recurso para la industria.
Sin embargo, para resolver un determinado
problema, en primer lugar debe plantearse un
algoritmo, que se materializa en la forma en
programa, escrito en un leguaje de
programacin para el computador (Pascal,
Basic, C) y que se transformar a lenguaje
mquina.
Ahora bien, con un programa suficientemente

detallado, y con una memoria de suficiente

capacidad, se podra resolver en principio
cualquier problema de cmputo, desde
encontrar las soluciones de una ecuacin hasta
disear un edificio, o incluso intentar simular
nuestro propio proceso de razonamiento, sta
es precisamente la idea de partida de la
inteligencia artificial clsica para intentar dotar
de algn tipo de comportamiento inteligente
a los computadores, por ejemplo, si se necesita
que una mquina reconozca el habla, bastara
con un programa que a partir de los sonidos
que el computador reciba, se obtenga su
significado. Con ste esquema de cmputo, se
progres rpidamente en problemas con
clculos complejos, y se pudieron alcanzar
importantes logros en el rea de computacin.
Pero, pronto se comprob que existan tareas
que requieren un esfuerzo computacional
tremendo; ya que en los problemas del mundo
real surge otro inconveniente, y es el manejo
eficiente datos, que no solo existen en
cantidades enormes, sino que son redundantes
e imprecisos; a esto, debe sumarse el hecho
que el procesador convencional est orientado
a tratar datos precisos y en serie.
A simple vista podra inferirse que una
solucin puede ser el empleo de varias CPU
operando a la vez, pero el esfuerzo necesario
para construir un programa orientado a una
mquina de este tipo es grande, y muy
dependiente de la arquitectura de ella; adems,
aparecen importantes cuestiones adicionales
como el espacio que puede ocupar, la energa
que consume, y, sobre todo, su elevado costo
econmico.
Por el contrario, el cerebro, cuyas capacidades
se pretende emular, no sigue el mismo patrn
de cmputo de un microprocesador, por ende el
cerebro no es una arquitectura Von Newmann 2,
sino que es una estructura compuesta por
millones
de
procesadores
elementales
ampliamente
interconectados.
A
estos
procesadores elementales se les conoce como
2 Arquitectura de cmputo creada por John
Von Newmann, compuesta por una memoria
principal, una unidad aritmtica, una unidad de
control, y dispositivos de entrada y salida.

neuronas. La neurona es en realidad, un

pequeo procesador, complejo, lento y poco
fiable, pero el contrapeso, es que en nuestro
cerebro, habitan unos 100 mil millones de
neuronas operando en paralelo; es aqu donde
reside el origen de su poder de cmputo.

Tabla 1. Formas bsicas de computacin.3

Aunque individualmente las neuronas sean
capaces de realizar procesamientos muy
simples a travs de la sinapsis 4; pueden
desarrollar
una
actividad
global
de
procesamiento enorme. Es as que en tareas de
procesamiento de bajo nivel, como las de
reconocimiento de patrones, percepcin,
control, etc., los computadores se desenvuelven
todava torpemente, ya que en origen no fueron
ideados para esta clase de problemas, que son
esenciales para la supervivencia de un
organismo vivo. En la Tabla 1, se puede
apreciar las principales caractersticas de la
computacin convencional, la computacin
simblica y la computacin neuronal.

Tabla 2. Inteligencia artificial Vs Redes

neuronales5.
En cuanto la relacin entre las redes neuronales
3 Cuadro Comparativo extrado del libro [5].
4La sinapsis es el proceso esencial en la
comunicacin neuronal y constituye el enlace
bsico del sistema nervioso.

y la inteligencia artificial, la Tabla 2 puede

presentar una perspectiva de diferencia,
anteponindolos como dos filosofas
divergentes, en el cual se plantea al cerebro
como una estructura de enfoque ascendente en
el que a partir de procesadores elementales,
realiza un reconocimiento de formas mediante
la percepcin, y posteriormente puede razonar
sobre ellas, en contraste con el computador,
que a partir de los algoritmos y sus
componentes hardware, logran las capacidades
de clculo. A partir de esto se puede llegar al
reconocimiento de caractersticas o formas, o
situaciones preestablecidas. Sin embargo, es
necesario tener en cuenta que las redes
neuronales en realidad hacen parte del campo
de la inteligencia artificial (ver Figura. 2) 6.

Fig. 2. Situacin de las redes neuronales en el

campo de la inteligencia artificial.9

Procesadores
Elementales +
Autoorganizacin
Fig.
2.
Acercamiento
descendente.

ascendente

determinar de forma ordenada una serie de

hechos extrados de un conjunto de
conocimiento y que en cooperacin de un
componente como lo es el motor de inferencia 8,
se obtienen herramientas que permiten incluso
diagnosticar enfermedades (sistemas expertos).

Cmo funcionan de las redes neuronales

biolgicas?

Se puede evidenciar que los rasgos

superficiales de la inteligencia pueden no estar
necesariamente ligados a una estructura
compleja como la del cerebro, si no por el
contrario, su fundamentacin se basa en la
computacin simblica y trasciende en
conceptos como la lgica de predicados7, para
5 Cuadro comparativo extrado de [10].
6 Para poder entender esto, es necesario
adentrarse en el concepto de inteligencia y de
los diferentes puntos de vista de autores
relacionados con el tema.
7 La lgica de predicados, llamada tambin
lgica cuantificacional, est basada en la idea
de expresar mediante sentencias, las relaciones
entre objetos, as como las cualidades y

Se estima que el sistema nervioso contiene

alrededor de 100 mil millones de neuronas10;
este tipo de clulas puede presentarse en
mltiples formas, la mayora presentan un
aspecto similar al de un cuerpo celular o
soma11, del que surge un denso rbol de
ramificaciones (rbol dendrtico) compuesto
por las dendritas, y del cual parte una extensin
tubular denominada axn12, que tambin se
ramifica en su extremo final para conectar con
atributos de tales objetos
8Componente de los sistemas basados en
conocimiento, el motor de inferencia interpreta
y evala los hechos en la base de
conocimientos para proveer una respuesta.
9 Esquema extrado de [5].
10 Clula fundamental y bsica del sistema
nervioso.
11 Cuerpo de la neurona y fuente de su
impulso elctrico.

otras neuronas.
Describindose como un sistema, la neurona
posee un canal de entrada de informacin que
son las dendritas, un rgano de cmputo, que
es el soma, y un canal de salida, el axn. En
ciertas neuronas el axn enva la informacin a
otras neuronas, mientas que las neuronas
motoras lo hacen directamente al msculo. Se
calcula que la neurona del corte cerebral recibe
informacin, por trmino medio, de unas
10,000 neuronas, y enva impulsos a varios
cientos de ellas.
Ahora bien, otro fenmeno en la generacin de
la seal nerviosa, est determinada por la
membrana neuronal y los iones presentes a
ambos lados de ella. La membrana se comporta
como un condensador, que se carga al recibir
corrientes debidas a las especies inicas
presentes. La membrana contiene canales y
nicos selectivos al tipo de ion 13, algunos son
pasivos14 y otros activos15. Los cuerpos inicos
ms sobresalientes en el proceso de la
generacin y trasmisin de la seal nerviosa
son el Sodio (Na), el potasio (K) y el Calcio
(Ca); existe tambin otra serie de protenas,
que se originan por la prdida de los anteriores.
La forma de comunicacin ms habitual entre
dos neuronas es de tipo qumico y la unin
entre dos neuronas se le denomina sinapsis. En
la sinapsis no existe un contacto fsico entre las
neuronas sino que entre ellas existe un pequeo
vacio de unas 0.2 micras, por el cual se
desplazan agentes qumicos denominados
neurotransmisores16. En esta relacin existe la
12 Prolongacin de la neurona, que permite la
propagacin de los impulsos nerviosos hacia
otras neuronas.
13 Partcula cargada elctricamente.

neurona pre sinptica (que enva seal), y la

neurona
post-sinptica
(que
recibe
informacin). Las sinapsis tiene un solo
sentido, es decir, la informacin solamente va a
fluir de forma unidireccional.
Generalmente las neuronas se encuentran en un
estado de reposo, en este escenario las
concentraciones de K, y Na se mantienen
constantes, aqu se manifiesta una diferencia de
potencial de unos -60mV17, el cual corresponde
a la carga del interior del soma, con respecto al
exterior. En el momento que se proporciona
una estimulo a las neuronas, existe una
fluctuacin de los iones con carga positiva
hacia el interior de la neurona, lo que produce
una despolarizacin dentro del soma y la
neurona pasa de un potencial de reposo de
-60mV a unos +50mV, este proceso constituye
la generacin de un potencial de accin, que al
propagarse a lo largo del axn da a lugar a la
trasmisin
y
en
su
momento
los
neurotransmisores harn su trabajo para
proporcionar las sinapsis correspondientes.
Estructura de un sistema neuronal artificial
La idea que subyacen en los sistemas
neuronales artificiales, es que para abordar el
tipo de problemas que el cerebro resuelve con
facilidad, es la de construir estructuras que
copien la estructura (valga la redundancia)
similar a la de las redes neuronales biolgicas.
Para ello se emulan aspectos clave en los
sistemas nerviosos lo cuales son: el paralelismo
de
clculo,
memoria
distribuida18
y
adaptabilidad al entorno.
De manera formal y desde el punto de vista del
grupo PDP19, de D.E. Rumelhart y J.L.
17 Algunos textos sostienen que este potencial
puede estar entre -50mV, y los 70mV.

15 Poros que solamente se abre ante ciertas

circunstancias.

18 La memoria no se aloja en una base de

datos, o en un dispositivo de almacenamiento,
si no que se encuentra como su nombre lo
indica distribuida por la estructura.

16 La adrenalina y el glutamato son dos

ejemplos comunes para neurotransmisores.

19 Parallel Distributed Processing Research

Group, de la universidad de California en San

14 Consiste en simples poros de la membrana

McClelland,
un
sistema
neuronal
o
conexionista est compuesta de los siguientes
elementos:
-Un conjunto de neuronas artificiales.
-Un patrn de conectividad o Topologa.
-Una dinmica de activaciones.
-Una regla o dinmica de aprendizaje.
-Un entorno donde operar.
Ahora bien, se denomina procesador elemental
o neurona artificial a un dispositivo simple de
clculo, que a partir de una serie de entradas,
ya sea que estas provengan del exterior o como
seal de trasmisin de otras neuronas,
proporciona una nica respuesta o seal de
salida.

representar la regla de propagacin es mediante

una funcin lineal, que se basa en la suma
ponderada de las entradas con los pesos
sinpticos, de tal forma que:

hi ( t ) = ( wij , x i (t))
Se representa como:

hi ( t ) = wij , x i
j

Funcin de activacin: f i (ai (t1 ) , hi (t ))

, que proporciona el estado
de
activacin
actual

ai ( t ) =f i ( ai ( t1 ) , hi (t))
, de la neurona i
, en funcin de su estado anterior ai ( t1 )
y de su potencial post-sinptico
actual.
Funcin de salida
que

Fi
g. 3. Modelo Rumelhart de neurona artificial.20

Como se aprecia en la figura 3 anterior los

i
elementos que constituyen la neurona
son:
Conjunto de entradas: x i( t)
Pesos sinpticos de la neurona: i, w ij
que corresponde a la intensidad de
interaccin entre la neurona pre-sinptica j
y la neurona post-sinptica i .
( wij , x i (t))
Regla de propagacin:
potencial

corresponde

a
Fi ( i ( t ) )
yi ( t )=

a
Fi ( i ( t ) )

la

salida

actual
de

i en funcin de su estado de
neurona
activacin. Sin embargo, es pertinente aclarar
que las salidas dependen del modelo aplicado,
por ejemplo en modelos comunes como MLP 21
o Adalina22, la funcin de salida puede ser de
tipo escaln (ver Figura 4), mientras que en
otros modelos como el caso de la mquina de
Boltzman, se trata de una funcin estocstica.
(Ver Figura 5).

, que representa el valor del

post-sinptico

hi ( t ) = (wij , x i (t))
de la neurona i en funcin de sus pesos y
entradas.

La

forma

ms

habitual

para

Diego, es un grupo de investigacin en RNA,

responsables en gran medida del renacimiento
de las redes neuronales a mediados de los
ochenta.
20 David Everett Rumelhart , fue un clebre
psiclogo que hizo valiosos aportes al anlisis
formal del conocimiento humano.

la

Fig. 4. Funcin en escaln.

21 Sigla de la red Perceptrn multicapa

(Multi-Layer Perceptrn)
22 Sigla de (Adaptive Linear Neuron) es una
red neuronal de una capa.

Topologa de Redes Neuronales

Fig. 5. Funcin sigmoidea.

El modelo expuesto anteriormente puede
resultar muy general, pero en la prctica suele
utilizarse uno ms simple, el cual sera neurona
estndar.

La arquitectura o topologa de las redes

neuronales consiste en la organizacin y
disposicin de las neuronas en la red formando
agrupaciones de neuronas a las que se
denomina capas, y en una red convencional los
parmetros para su construccin son: el
numero de capas, el numero de neuronas por
capa, el grado de conectividad y el tipo de
conexin entre neuronas.
En el momento de realizar una clasificacin en
trminos de topologa se suele distinguir redes
de una capa y redes con mltiples capas.

Fig. 3. Modelo de neurona estndar.23

As la neurona estndar consiste en:
Un conjunto de entradas
sinpticos w ij
.

x j (t )

y pesos

Una regla de propagacin:

La red mono-capa es la red neuronal ms

sencilla ya que tiene una capa de neuronas que
proyectan las entradas a una capa de neuronas
de salida donde se realizan diferentes clculos.
En las redes mono-capa, pueden establecer
conexiones laterales entre las neuronas que
pertenecen a la nica capa que constituye la
red. Las redes mono-capa se utilizan
tpicamente en tareas relacionadas con lo que
se conoce como auto-asociacin; por ejemplo,
para regenerar informaciones de entradas
incompletas o distorsionadas, que se presentan
a la red.

hi ( t ) = (wij , x i (t))
Una funcin de activacin

a
Fi ( i ( t ) )
yi ( t )=

.
Con frecuencia se aade al conjunto de pesos
i ,
de la neurona un parmetro adicional
que se denomina umbral, y se resta del
potencial post-sinptico, por lo cual nuestra
funcin de activacin quedar como la
sumatoria del conjunto de entradas con los
pesos sinpticos menos el umbral as:

wij , x i
j

23 Esquema extrado del libro Redes

Neuronales y Sistemas Borrosos, Bonifacio
Martin del Brio y Alfredo Sanz Molina.

Fig. 6. Topologa Mono-capa24

Las redes multicapa son una generalizacin de
la anterior; son aquellas que disponen de
conjuntos de neuronas agrupadas en varios
niveles o capas. En estos casos, una forma para
distinguir la capa a la que pertenece una
neurona, consistira en fijarse en el origen de
las seales que recibe a la entrada y el destino
de la seal de salida.

24 Grfico extrado de [10].

creacin y destruccin de conexiones. En los

modelos de redes neuronales artificiales, la
creacin de una vacunacin implica que el peso
de la misma pasa a tener un valor distinto de
cero. La misma forma, una conexin se
destruye con su peso pasa a ser cero.

Fig 7. Topologa Multicapa.25

Normalmente, todas las neuronas de una capa
reciben seales de entrada de otra capa
anterior, ms cercana a las entradas de la red, y
envan seales de salida a una capa posterior
ms cercana a la salida de la red. A estas
conexiones se les denomina conexiones hacia
adelante o feedforward. Sin embargo, en un
gran nmero de estas redes, tambin existe la
posibilidad de implementar lazos de
realimentacin. Estos lazos pueden ser entre
neuronas de diferentes capas, neuronas de la
misma capa, o con la misma neurona Esta
estructura recurrente la hace especialmente
adecuada para estudiar la dinmica de sistemas
no lineales, a estas conexiones se les denomina
conexiones hacia atrs o feedback.

Fig. 8. Estructura de red realimentada.26

Mecanismo de aprendizaje
El aprendizaje es el proceso por el cual una red
neuronal modifica sus pesos en respuesta a una
informacin de entrada. Los cambios que se
producen durante el proceso de aprendizaje se
reducen a la destruccin, modificacin y
creacin de conexiones entre las neuronas. En
los sistemas biolgicos existe una continua
25 Grfico extrado de [14].
26 Grfico extrado de [14].

Durante el proceso de aprendizaje, los pesos de

las conexiones de la red sufren modificaciones
con por tanto se puede afirmar que este proceso
ha terminado (la red ha aprendido) cuando los
valores de los pesos permanecen estables.

d wij
=0
dt

Un aspecto importante respecto al aprendizaje

en las redes neuronales es el conocer cmo se
modifican los valores de los pesos; es decir con
cules son los criterios que se siguen para
cambiar el valor asignado a las conexiones
cuando se pretende que la red aprenda una
nueva informacin. De forma general se suelen
considerar tipos de reglas: las que responden a
lo que habitualmente se conoce como
aprendizaje supervisado, y las correspondientes
a un aprendizaje no supervisado. La diferencia
fundamental entre ambos tipos, dependen de su
existencia o no de un agente externo
(supervisor) y controle el proceso de
aprendizaje de la red.
Otro criterio que se puede utilizar para
diferencia la regla de aprendizaje se basa en
considerar si la red puede aprender durante su
funcionamiento habitual o si el aprendizaje
supone la desconexin de la red; es decir, su
inhabilitacin hasta que el proceso termine. El
primer caso, se tratara de un aprendizaje ON
LINE, mientras que el segundo hecho que se
conoce como un aprendizaje OFF LINE.
Con el aprendizaje OFF LINE, se distingue
entre una fase de aprendizaje o entrenamiento y
la fase de operacin o funcionamiento como
existen un conjunto de datos de entrenamiento
y un conjunto de actos de tres o prueba que
sern utilizados en la correspondiente fase. En
las redes con aprendizaje ON LINE no se
distingue entre fases de entrenamiento y

operacin, de tal forma que los pesos varan

dinmicamente siempre que se presenten o no
informacin al sistema. En este tipo de redes,
debido al carcter dinmico de las mismas, el
estudio de la estabilidad suele ser un aspecto
fundamental de estudio.
El aprendizaje supervisado se caracteriza
porque el proceso se realiza mediante un
entrenamiento controlado por un agente
externo que determina la respuesta que debera
generar la red a partir de una entrada
determinada. El supervisor comprueba la salida
de la red y en el caso de que sta no coincida
con la deseada como se proceder a modificar
los pesos de las conexiones, con el fin de
conseguir que la salida tena se aproxime a la
deseada. Sin embargo, este tipo de aprendizaje
se les suelen considerar tres formas para
llevarlo a cabo.
Aprendizaje por correccin de error: consiste
en ajustar los pesos de las conexiones de la red
en funcin de la diferencia entre los valores
deseados y los obtenidos en la salida de la red;
es decir, en funcin del error cometido en la
salida.
Aprendizaje por refuerzo: se trata de un
aprendizaje supervisado, ms lento que el
anterior como que se basa en la idea de no
disponer de un ejemplo concreto del
comportamiento deseado; es decir de no
indicar durante el entrenamiento exactamente
la salida que se desea que proporcione la red
ante una determinada entrada.
Aprendizaje estocstico: este tipo de
aprendizaje consiste bsicamente en realizar
cambios aleatorios en los valores de los precios
de las conexiones de la red y evaluar su afecto
a partir del objetivo deseado y de
distribuciones de probabilidad. En el
aprendizaje socrtico se suele ser una analoga
en trminos termodinmico como asociando la
red neuronal con un slido fsico que tiene
cierto estado energtico. En el caso de la red, la
energa de la misma representara el grado de
estabilidad de la red como de tal forma que el
estado de mnima energa correspondera a una
situacin en la que los pesos de las conexiones
consiguen que su funcionamiento sea el que

ms se ajusta al objetivo deseado [5].

Las redes con aprendizaje no supervisado
(tambin conocido como auto supervisado) no
requieren influencia externa para ajustar los
pesos de las conexiones entre sus neuronas. La
red no recibe ninguna informacin por parte
del entorno que le indique si la salida generada
en respuesta a una determinada entrada es o no
correcta; por ello, suele decirse que estas redes
son capaces de auto organizarse. En este tipo
de redes se suele considerar dos tipos de
aprendizaje:
Aprendizaje hebbiano: este tipo de aprendizaje
se basa en el siguiente postulado formulado por
Donald O. Hebb en 1949: cuando un axn de
una celda A est suficientemente cerca como
para conseguir excitar una celda B y repetida
o persistentemente, tom parte en su
activacin, algn proceso de crecimiento
cambio metablico que tiene lugar en una o
ambas celdas, de tal forma que la eficiencia de
A, cuando la celda a activar es B, aumenta 27.
Por celda, Hebb entiende un conjunto de
neuronas fuertemente coleccionadas a travs de
una estructura compleja. La eficiencia podra
identificarse como la intensidad o magnitud de
la conexin; es decir, con el peso.
Se puede decir, por tanto, el aprendizaje
hebbiano consiste bsicamente en el ajuste de
los pesos de las conexiones de acuerdo con la
correlacin28 de los valores de activacin
(salidas) de las dos neuronas conectadas.
Aprendizaje competitivo y cooperativo: en las
redes con aprendizaje competitivo, suele
decirse que la neuronas compite unas con otras
con el fin de llevar a cabo una tarea dada con
este tipo de aprendizaje, se pretende que
cuando se presente a la red cierta informacin
de entrada, slo una de las neuronas de salida
de la red o una por cierto grupo de neuronas, se
active. Por tanto, las neuronas compiten por
27 Extrado del artculo The
organization of behavior. Por Donald
O Hebb, publicado en 1949.
28 Multiplicacin de valores binarios 1 y -1.

activarse con quedando finalmente una, o una

por grupo como neurona vencedora, anulando
el resto, y que son forzadas a sus valores de
respuesta mnimos.
La competicin entre neuronas se realiza en
todas las capas de la red como existir estas
neuronas
coleccion
recurrentes
de
autoexpresin y conexiones de inhibicin por
parte de las neuronas vecinas.
Aplicaciones de las redes neuronales

Como bien se ha apreciado, hay diferentes

tipos de redes neuronales, cada uno de los
cuales tienen una aplicacin particular ms
apropiada. Ejemplos de algunas aplicaciones
comerciales pueden ser:
Biologa
Aprender ms acerca del cerebro y otros
sistemas.
Obtencin de modelos de la retina.
Empresa
Evaluacin de probabilidad de formaciones
geolgicas y petrolferas.
Identificacin de candidatos para posiciones
especficas.
Explotacin de bases de datos.
Medio ambiente
Analizar tendencias y patrones.
Previsin del tiempo.
Finanzas
Previsin de la evolucin de los precios.
Valoracin del riesgo de los crditos.
Identificacin de falsificaciones.
Manufacturacin
Robots automatizados y sistema de control
(visin artificial y sensores de presin,
temperatura, gas, etc.)
Control de produccin en lneas de proceso.
Inspeccin de calidad.
Medicina
Analistas del habla para la ayuda de adicin de
sordos profundos.
Diagnstico y tratamiento a partir de sntomas
y/o datos analticos.
Militares
Clasificacin de las seales de radar.
Creacin de armas inteligentes.

Optimizacin del uso de recursos escasos.

Reconocimiento y seguimiento en el tiro al
blanco [5].
Ventajas de las redes neuronales
Debido a su constitucin y los fundamentos,
las redes neuronales artificiales presentan un
gran nmero de caractersticas semejantes a las
del cerebro. Por ejemplo, son capaces de
aprender de la experiencia, de generalizar de
casos anteriores a nuevos casos, de abstraer
caractersticas esenciales a partir de entradas
que representen informacin irrelevante como
etctera. Esto hace que ofrezcan numerosas
ventajas y que este tipo de tecnologa se le
aplica en mltiples reas [5]:
Aprendizaje atractivo. Capacidad de aprender a
realizar tareas basadas, en un entrenamiento o
una experiencia inicial.
Auto-organizacin. Una red neuronal puede
crear su propia organizacin, representacin
de la informacin que recibe mediante una
etapa de aprendizaje.
Tolerancia a fallas. La destruccin parcial de
una red conduce a una degradacin
desestructurar;
sin
embargo,
algunas
capacidades de la red se puedan retener,
incluso sufriendo un gran dao.
Operacin en tiempo real. Los computadores
neuronales pueda ser realizados en paralelo, y
se diseen y fabrican mquinas con hardware
especial para obtener esta capacidad.
Fcil insercin dentro de la tecnologa
existente
se
pueden
obtener
chips
especializados para redes neuronales que
mejoran su capacidad en ciertas tareas. Ello
facilitar la integracin modular en los
sistemas existentes.
Alternativas de Implementacin
Simulacin software. Consiste modelar el
sistema neuronal mediante un programa
(software), que puede ejecutarse en un
computador secuencial convencional tipo Von
Newmann como por ejemplo, un PC

compatible, o bien sobre un computador de

propsito general con capacidad de clculo
paralelo (sistemas multiprocesador, mquinas
vectoriales, paralelas...). Es la realizacin ms
usual y econmica.
El proceso de simulacin de ANS comienza
con su modelado mediante programas de
ordenador escritos en lenguajes de alto nivel
como C o Java (o incluso Visual Basic), que se
ejecutarn en computadoras convencionales,
como PC compatibles. Aunque de esta manera
se pierde su capacidad de clculo en paralelo,
las prestaciones que ofrecen los ordenadores
actores resultan suficientes para resolver
numerosos problemas como a permitir simular
redes de tamao medio a una velocidad
razonable. En este caso, la actividad de cada
neurona suele representarse mediante una
variable de programa. Como las neuronas se
agrupan en capas, las entradas de las neuronas
de una capa se suelen reunir en vectores. El
mismo sucede con las salidas.
float x[N_INPUTS],y[N_OUTPUTS]29
Cada neurona posee un vector de pesos
sinpticos,
por
tanto,
los
pesos
correspondientes a las neuronas de una capa se
agrupan en una matriz W:
float w[N_OUTPUTS] [N_INPUTS]30
Emulacin hardware (propsito general). Se
utiliza sistemas expresamente diseados para
emular ANS, basados en CPU de altas
prestaciones (RISC, DSP), o en otros
microprocesadores diseados especficamente
para ANS. Son europeos Csar de propsito
general, que dan lugar a aceleradores (neuroemuladores) y neuro-computadoras.

fidelidad la arquitectura de la red, da lugar a

los neuro-procesadores de propsito especfico,
muchos de los cuales se emplean en
aplicaciones especficas (por ejemplo, en
bolgrafos escner OCR o reconocer desde
comandos
hablados).
Tecnologa
ms
habitualmente utilizada electrnica, bien
utilizando dispositivos de lgica programable
como los FPGA, o bien mediante integracin
microelectrnica, lo que da lugar a los
denominados chips neuronales
Conclusiones
Aunque las redes neuronales parecen una
alterativa viable para la solucin de problemas
complejos para resolverlos por mtodos
algortmicos, es necesario realizar una buena
evaluacin para determinar qu tipo de
implementacin es suficiente. Por otro lado, se
debe tener en cuenta las limitaciones de la
micro electrnica, como el envo masivo de
datos y que como tal se est solucionando a
travs de la electroptica, que sugiere el envo
de dichos datos a travs de la luz.
Para una implementacin en hardware es
necesario tener el conocimiento adecuado en
cuanto a los dispositivos a utilizar, como sus
especificaciones, requerimientos elctricos
(voltajes de operacin), lenguaje de
programacin necesario, interfaz (canal de
conexin a otros dispositivos si es el caso) y
tener en claro conceptos de arquitectura de
hardware y software para un resultado exitoso
en la construccin de la solucin.
Puede ser conveniente, optar por otro tipo de
alternativas de solucin como los algoritmos
genticos o algoritmos evolutivos si el
escenario lo permite y la implementacin de
redes neuronales muy compleja, costosa y
demorada.

Implementacin de hardware especfico: Se

trata realizar fsicamente la red neuronal en
hardware, es decir, mediante estructuras
Referencias
especficas que reflejen con mayor o menor [1]. Abu-Mostafa, Y. S, Information theory,
complexity and neural networks IEEE
Communications Mag., 27-11, pp 25-28, 1989.
29 Entradas x y salidas y de una capa
[2]. Botros, N, M., Abdul-Aziz, M. Hardware
implementation of an artificial neural network
30 Ejemplo de definicin de matrices en
using field programmable gate arrays
programacin.

(FPGA's), IEEE Trans. On Industrial

electrnics, Vol. 41, N 6, pp. 665-7, 1994.
[3]. Fu, L.M. Neural Networks in Computer
Intelligence, 1994, pp 47-114
[4]. Haykin, S. Neural Networks. A comprehensive
Foundation. 2 Edicin. Prentice-Hall, 1994.
[5]. Hilera Gonzales, Jose Ramn Redes
Neuronales
Artificiales,4
Edicin,
Universidad Nacional Autnoma de Mxico,
Mxico: Alfaomega, 1998, pp. 7-98.
[6]. Hrycej, T. Modular Learniung in Neural
Networks. Jhon Wiley and Sons, 1992.
[7]. Kandel, R. E., Freeman, W.H. Microsistemas
de Neuronas. En el cerebro, Ed. Investigacin
y Ciencia, pp 39-49,1979.
[8]. Kandel, E. R, Hawkins, R.D. Bases biolgicas
del aprendizaje y de la individualidad.
Investigacin y ciencia
[9]. Kung, S.Y. Digital Neural Networks. PrenticeHall, 1993.
[10].
Martin del Brio, Bonifacio, Sanz
Molina, Alfredo, Redes Neuronales y sistemas
Borrosos, 3 Edicin, Mxico: Alfa omega,
2007, pp. 24-150.
[11].
Masters, T. Practical Neural Networks
Recipes in C++.Academic Press, 1993.
[12].
McCulloch, W.S., Pitss. W. A logical
calculus of the ideas immanent in nervous
activity. Bulletin of Mathematical Biophysics,
5, pp.115-133, 1943.
[13].
Pealoza
Romero,
Ernesto
Fundamentos de Programacin C/C++, 4
Edicin, Universidad Nacional Autnoma de
Mxico, Mxico: Alfaomega, 2004, pp. 7-17.
[14].
Serrano, Antonio J, Soria, Emilio,
Martin,
Jose
D.
Redes
Neuronales
Artificiales, Escuela Tcnica Superior de
Ingeniera, 2009-2010, pp 5-130.

Enlaces en Internet.
28 de febrero de 2011.].
[15].
Lynuz (revista especializada en [18].
David Daz. Inteligencia Artificial,
ciencias
de
la
educacin
e
Robtica, Neuro-computacin, Programacin
Neuronal y otras hierbas [en lnea].
Inteligencia Artificial). Inteligencia
<http://es.scribd.com/doc/52609381/i
Artificial
[en
lnea].
nteligencia-artificial-robotica
<http://lynuz.org/ciencias-de-laneurocomputaciA%C2%B3neducacion/psicologia/inteligencia-artificial/>,
program>. [citado el 30 de febrero
[citado el 2 de marzo 2 de 2005].
de 2011].
[16].
REDEI (Red de entretenimiento
SCIENTIST. Molecular Biology for
e informacin). Orgenes de la [19].
computer
inteligencia Artificial (parte 19) [en
<http://www.biostat.wisc.edu/~craven
lnea].
/hunter.pdf.>. [citado el 5 de marzo
<http://www.biografica.info/redei/origenes-dede 2011].
la-inteligencia-artificial-20.php?split=18>.
[20].
Herbert Jaeger, A tutorial on training
[citado el 4 de marzo de 2011.].
recurrent neural networks, covering BPPT,
[17].
Olimpiadas
Nacionales
de
RTRL, EKF and the "echo state network"
contenido
Educativo en internet
approach
[en
lnea].
(http://www.oni.escuelas.edu.ar).
<http://www.ifi.uzh.ch/ailab/teaching/NN2008/
Maquinas como hombres [en lnea].
misc/Jaeger_EchoSNtutorialRev_2005.pdf>.
<http://www.oni.escuelas.edu.ar/olimpi2000/b
[citado el 18 de Marzo 2011]
s-as/quienes-somos/frainfor.htm>. [citado el