Estructura

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.

Auto organizacin: Una RNA crea su propia representacin de la informacin

en su interior, descargando al usuario de esto.

Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma

redundante, sta puede seguir respondiendo de manera aceptable aun si se daa
parcialmente.

Flexibilidad: Una RNA puede manejar cambios no importantes en la

informacin de entrada, como seales con ruido u otros cambios en la entrada
(por ejemplo si la informacin de entrada es la imagen de un objeto, la respuesta
correspondiente no sufre cambios si la imagen cambia un poco su brillo o el
objeto cambia ligeramente).

Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es

implementado con computadoras o en dispositivos electrnicos especiales, se
pueden obtener respuestas en tiempo real.

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

.1.2.1 La Red Neuronal Biolgica

El sistema de neuronas biolgico est compuesto por neuronas de entrada

(sensores) conectados a una compleja red de neuronas "calculadoras" (neuronas
ocultas), las cuales, a su vez, estn conectadas a las neuronas de salidas que
controlan, por ejemplo, los msculos. La figura 6 muestra un esquema conceptual.

Figura 6. Estructura neuronal

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.

Redes neuronales artificiales (Artificial Neural Networks (ANN))

Supervisado.- mediante este tipo se introduce a la red una serie de patrones de

entrada y salida . La red es capaz de ajustar los pesos con el fin de memorizar la
salida deseada
No supervisado.- aqu la red responde clasificando los patrones de entrada en
funcin de las caractersticas mas adecuadas de cada uno
Autosupervisado.- en este tipo la propia red corrige los errores en la
interpretacin a travs de una realimentacion.

El entrenamiento de la red es muy importante ya que servir para que

posteriormente la respuesta del sistema sea la adecuada. Si nos fijamos un poco
eso tiene mucho que ver con el aprendizaje humano. Cuando a un nio se le ordena
coger un vaso , empieza moviendo el brazo de forma cuasi-aleatoria hasta que
choca con el vaso y lo presiona con sus dedos. La prxima vez que se le ordene al
nio, ste alcanzar el vaso con mayor soltura y precisin . Este mismo modelo se
ha ensayado en redes neuronales de caractersticas similares a las del nio. Una vez
que el brazo mecnico choca con la pieza y memoriza la secuencia , en posteriores
ocasiones al brazo le cuesta menos realizar la misma operacin se dice entonces
que el sistema adquiri experiencia.

En conclusin las redes neuronales se orientan a desarrollar mquinas o sistemas

inteligentes capaces de simular, desarrollar y optimizar muchas de las funciones de
un ser humano as como tambin la investigacin cientfica ya que pueden hacer
cosas que el hombre por sus limitaciones fsicas no puede realizar.

1.2 CLASIFICACIN DE LAS ANN

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

junto con las distintas funciones de activacin y transferencia nos permiten la

clasificacin de los distintos modelos.

1.2.1 De Acuerdo Con Su Naturaleza

De acuerdo con la naturaleza de las seales de entrada y de salida podemos
clasificar las redes neuronales en analgicas, discretas (generalmente, binarias) e
hbridas:

Las redes analgicas procesan datos de entrada de naturaleza analgica, valores

reales continuos, habitualmente acotados y usualmente en el compacto [-1,1] o en
el [0,1], para dar respuestas tambin continuas. Las redes analgicas suelen
presentar funciones de activacin continuas, habitualmente lineales o sigmoides.
Entre estas redes neuronales destacan las redes de Backpropagation , la red
continua de Hopfield, la de Contrapropagacin, la Memoria Lineal Asociativa, la
Brain-State-in-Box, y los modelos de Kohonen (mapas auto-organizados (S.O.M.)y
Learning Vector Quantizer, (L.V.Q.) .
Las redes discretas (binarias) procesan datos de naturaleza discreta, habitualmente
{0,1}, para acabar emitiendo una respuesta discreta. Entre las redes binarias
destacan la Maquina de Boltzman, la Mquina de Cauchy, la red discreta de
Hopfield, el Cognitrn y el Neogognitrn.

Las redes hbridas, procesan entradas analgicas para dar respuestas binarias,
entre ellas destacan el Perceptrn, la red Adaline y la Madaline.