Professional Documents
Culture Documents
La mayora de los cientficos coinciden en que una RNA es muy diferente en trminos
de estructura de un cerebro animal. Al igual que el cerebro, una RNA se compone de un
conjunto masivamente paralelo de unidades de proceso muy simples y es en las
conexiones entre estas unidades donde reside la inteligencia de la red. Sin embargo, en
trminos de escala, un cerebro es muchsimo mayor que cualquier RNA creada hasta la
actualidad, y las neuronas artificiales tambin son ms simples que su contrapartida
animal.
Biolgicamente, un cerebro aprende mediante la reorganizacin de las conexiones
sinpticas entre las neuronas que lo componen. De la misma manera, las RNA tienen un
gran nmero de procesadores virtuales interconectados que de forma simplificada
simulan la funcionalidad de las neuronas biolgicas. En esta simulacin, la
reorganizacin de las conexiones sinpticas biolgicas se modela mediante un
mecanismo de pesos, que son ajustados durante la fase de aprendizaje. En una RNA
entrenada, el conjunto de los pesos determina el conocimiento de esa RNA y tiene la
propiedad de resolver el problema para el que la RNA ha sido entrenada.
Por otra parte, en una RNA, adems de los pesos y las conexiones, cada neurona tiene
asociada una funcin matemtica denominada funcin de transferencia. Dicha funcin
genera la seal de salida de la neurona a partir de las seales de entrada. La entrada de
la funcin es la suma de todas las seales de entrada por el peso asociado a la conexin
de entrada de la seal. Algunos ejemplos de entradas son la funcin escaln de
Heaviside, la lineal o mixta, la sigmoide y la funcin gaussiana, recordando que la
funcin de transferencia es la relacin entre la seal de salida y la entrada.
Ventajas
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que estn
basadas en la estructura del sistema nervioso, principalmente el cerebro.
Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que
se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos
como entrada a su vez que se le indica cul es la salida (respuesta) esperada.
El Modelo Biolgico
La teora y modelado de resdes neuronales est inspirada en la estructura y
funcionamiento de los sistemas nerviosos, donde la neurona es el elemento
fundamental.
En general, una neurona consta de un cuerpo celular ms o menos esfrico, de 5 a 10
micras de dimetro, del que salen una rama principal, el axn, y varias ramas ms
cortas, llamadas dendritas.
Una de las caractersticas de las neuronas es su capacidad de comunicarse. En trminos
generales las dendritas y el cuerpo celular reciben seales de entrada; el cuerpo celular
las combina e integra y emite seales de salida. El axn transmite dichas seales a los
terminales axnicos, que distribuyen informacin o un nuevo conjunto de neuronas, se
calcula que en el cerebro humano existen del orden de 1015 conexiones.
Las seales que se utilizan son de dos tipos: elctrica y qumica. La seal generada por
la neurona y transportada a lo largo del axn es un implso elctrico, mientras que la
seal que se transmite entre los terminales axnicos de una neurona y las dendritas de la
otra es de origen qumico.
Para establecer una similitud directa entre la actividad sinptica y la analoga con las
redes neuronales artificiales podemos considerar: Las seales que llegan a la sinapsis
son las entradas a la neurona; estas son ponderadas (atenuadas o simplificadas) a travs
de un parmetro, denominado peso asociado a la sinapsis correspondiente. Estas seales
de entrada pueden excitar a la neurona (sinapsis con peso positivo) o inhibirla (peso
negativo). El efecto es la suma de las entradas ponderadas. Si la suma es igual o mayor
que el umbral de la neurona, entonces la neurona se activa (da salida). Esta es una
situacin de todo o nada; cada neurona se activa o no se activa. La facilidad de
transmisin de seales se altera mediante la actividad del sistema nervioso. Las sinapsis
son suceptibles a la fatiga, deficiencia de oxgeno y la presencia de anestsicos, entre
otro. Esta habilidad de ajustar seales es un mecanismo de aprendizaje.
REFERENCIAS
1. "REDES NEURONALES ARTIFICIALES", Jos R. Hilera y Victor J Martinez.
2000. Alfaomega. Madrid. Espaa
2. "DIGITAL NEURAL NETWORKS", S. Y. Kung, 1993. PTR Prentice Hall, Inc.
En Internet:
1. http://personal5.iddeo.es/wintrmute/ia/neuronal.htm
2. http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html
3. http://wwwdsa.uqac.uquebec.ca/~jmtorres/investigacion/index.htm
4. http://www.monografias.com/trabajos12/redneur/redneur.shtml.
5. http://ingenieria.udea.edu.co/investigacion/mecatronica/mectronics/re
des.htm
Los sensores pueden ser seales de los odos, ojos, etc. Las respuestas de las
neuronas de salida activan los msculos correspondientes. En el cerebro hay una
gigantesca red de neuronas "calculadoras" u ocultas que realizan la computacin
necesaria. De esta manera similar, una red neuronal artificial debe ser compuesta
por sensores del tipo mecnico o elctrico.
Teniendo en cuenta estas ocho componentes bsicas de toda red neuronal, los
distintos modelos de red neuronal pueden clasificarse de acuerdo con cuatro
criterios bsicos (Hilera y Martnez, 1995): (1) la naturaleza de las seales de
entrada y salida, (2) la topologa de la red, (3) el mecanismo de aprendizaje que
utilizan y (4) el tipo de asociacin de las seales de entrada y salida y la forma de
representar estas seales. Las distintas posibilidades de presentarse estos aspectos
Las redes hbridas, procesan entradas analgicas para dar respuestas binarias,
entre ellas destacan el Perceptrn, la red Adaline y la Madaline.