2. 2
CARACTERÍSTICAS DE LAS REDES NEURONALES
Existen cuatro aspectos que caracterizan una red neuronal: su topología, el mecanismo de
aprendizaje, tipo de asociación realizada entre la información de entrada y salida, y la forma de
representación de estas informaciones.
1. Redes Mono capa: Se establecen conexiones laterales, cruzadas o autor recurrentes entre
las neuronas que pertenecen a la única capa que constituye la red. Se utilizan en tareas
relacionadas con lo que se conoce como auto asociación; por ejemplo, para generar
informaciones de entrada que se presentan a las redes incompletas o distorsionadas.
2. Redes Multicapa: Son aquellas que disponen de conjuntos de neuronas agrupadas en
varios niveles o capas. Una forma de distinguir la capa a la que pertenece la neurona,
consiste en fijarse en el origen de las señales que recibe a la entrada y el destino de la señal
de salida. Según el tipo de conexión, como se vio previamente, se distinguen las redes
feedforward, y las redes feedforward/feedback.
3. Topología de las Redes Neuronales. La arquitectura de las redes neuronales consiste en
la organización y disposición de las neuronas formando capas más o menos alejadas de la
entrada y salida de la red. En este sentido, los parámetros fundamentales de la red son: el
número de capas, el número de neuronas por capa, el grado de conectividad y el tipo de
conexiones entre neuronas.
4. Mecanismo de Aprendizaje. El aprendizaje es el proceso por el cual una red neuronal
modifica sus pesos en respuesta a una información de entrada. Los cambios que se
producen durante el proceso de aprendizaje se reducen a la destrucción, modificación y
creación de conexiones entre las neuronas, la creación de una nueva conexión implica que
el peso de la misma pasa a tener un valor distinto de cero, una conexión se destruye
cuando su peso pasa a ser cero. Se puede afirmar que el proceso de aprendizaje ha
finalizado (la red ha aprendido) cuando los valores de los pesos permanecen estables
(dwij / dt = 0).
3. 3
ANTECEDENTES
Los primeros modelos de redes neuronales datan de 1943 por los neurólogos McCulloch y
Pitts. Años más tarde, en 1949, Donald Hebb desarrolló sus ideas sobre el aprendizaje
neuronal, quedando reflejado en la "regla de Hebb". En 1958, Rosemblatt desarrolló
el perceptrón simple, y en 1960, Widrow y Hoff desarrollaron el ADALINE, que fue la primera
aplicación industrial real.
En los años siguientes, se redujo la investigación, debido a la falta de modelos de aprendizaje
y el estudio de Minsky y Papert sobre las limitaciones del perceptrón. Sin embargo, en los
años 80, volvieron a resurgir las RNA gracias al desarrollo de la red de Hopfield, y en
especial, al algoritmo de aprendizaje de retro propagación ideado por Rumelhart y McLellan
en 1986 que fue aplicado en el desarrollo de los perceptrones multicapa.
Arquitectura de una red neuronal
Se denomina arquitectura a la topología, estructura o patrón del conexionado de una red
neuronal. En un RNA los nodos se conectan por medio de sinapsis, esta estructura de
conexiones sinápticas determina el comportamiento de la red. Las conexiones sinápticas son
direccionales, es decir, la información solamente se propaga en un único sentido (desde la
neurona pre sináptica a la pos sináptica.
En general, las neuronas se agrupan en unidades estructurales que denominamos capas. Las
neuronas de una capa se agrupan, a su vez, para formar grupos neuronales (clusters).
Dentro de un grupo, o de una capa, si no existe éste tipo de agrupación, las neuronas suelen
ser del mismo tipo. Finalmente, el conjunto de una o más capas constituye la red neuronal.
Se distinguen tres tipos de capas: "a" de entrada, "b" de salida y "c" ocultas. Una capa de
entrada o sensorial está compuesta por neuronas que reciben datos o señales procedentes del
entorno (por ejemplo, proporcionados por sensores).
Una capa de salida es aquella cuyas neuronas proporcionan la respuesta de la red neuronal
(sus neuronas se conectan a efectores).
Una capa oculta es aquella que no tiene una conexión directa con el entorno, es decir, que no
se conecta directamente ni a órganos sensores ni a efectores.
4. 4
Este tipo de capa proporciona a la red neuronal grados de libertad adicionales, gracias a los
cuales se encuentran representaciones internas correspondientes a rasgos del entorno,
proporciona una mayor riqueza computacional.
Las conexiones entre las neuronas son ex citatorias o inhibitorias: Un peso sináptico negativo
define una conexión inhibitoria, mientras que uno positivo determina una conexión ex
citatoria.
Habitualmente, no se suele definir una conexión como de un tipo o de otro, sino que por
medio del aprendizaje se obtiene un valor para el peso, que incluye signo y magnitud.
Por otra parte, se distingue entre conexiones intra-capa e inter-capa.
Las conexiones intra-capa, también denominadas laterales, tienen lugar entre las neuronas
pertenecientes a una misma capa, mientras que las conexiones inter-capa se producen entre las
neuronas de diferentes capas.
Existen además conexiones realimentadas, que tienen un sentido contrario al de entrada-
salida.
En algunos casos existe realimentación incluso de una neurona consigo misma.
Dice que en una red neuronal los datos continuamente están
cambiando porque la clave de este sistema se encuentra en los pesos de
Las diferentes entradas. Como se ha visto las entradas son modificadas por el
Peso y las salidas son función de estas modificaciones. Esto nos lleva a concluir
Que los pesos influyen de forma decisiva en la salida y por lo tanto pueden ser
Utilizados para controlar la salida que se desea
5. 5
Las sinapsis son uniones especializadas mediante las cuales las células del sistema nervioso envían
señales de unas a otras y a células no neuronales como las musculares o glandulares. Una sinapsis
entre una neurona motora y una célula muscular se denomina unión neuromuscular.
Las sinapsis permiten a las neuronas del sistema nervioso central formar una red de circuitos
neuronales. Son cruciales para los procesos biológicos que subyacen bajo la percepción y el
pensamiento. También son el sistema mediante el cual el sistema nervioso conecta y controla todos los
sistemas del cuerpo.
El cerebro contiene un número inmenso de sinapsis, que en niños alcanza los 1000 billones. Este
número disminuye con el paso de los años, estabilizándose en la edad adulta. Se estima que un adulto
puede tener entre 100 y 500 billones de sinapsis.
La palabra sinapsis viene de sinapteína, que sir charles Scott sherrington y colaboradores formaron con
las palabras griegas sin-, que significa "juntos", y hapteina, que significa "con firmeza".
En palabras comunes la sinapsis es al unión entre dos neuronas, que son las células del sistema
nervioso y permite a las neuronas formar una red de circuitos neuronales, es decir conectarlas entre sí.
6. 6
Las redes neuronales son pautas matemáticas especializadas y que son aplicables a
situaciones muy concretas, siendo de gran utilidad para dar una óptima solución a problemas
reales. Estudios han demostrado su eficiencia con datos basados en lógica difusa (1) o rasgos
ocultos para la capacidad humana en donde no existe una concordancia lógica en la
secuencia de procesamiento de datos, en el punto que se ha detectado el caos.
Existen distintos sistemas de ayuda para la toma de decisiones esto depende del tipo de tarea
a ejecutar. Según Simón (1960) las decisiones las clasificó en estructuradas, que consisten en
ser repetitivas, rutinarias y en el que existe un procedimiento definido para abordarlas, y en no
estructuradas, en la que el decidor debe proporcionar juicios y aportar su propia evaluación.
Recientemente se ha propuesto un nuevo tipo de decisiones según Gorry y Scott-Morton
(1971) quienes afirman que existen tres tipos de decisones la estructurada, semiestructurada
y no estructurada. Dentro de la organización, utilizando la lógica el nivel operativo controla las
decisiones estructuradas, el nivel de gestión controla las semiestructuradas y la estrategia
controla las no estructuradas, formando una diagonal como en la figura que se muestra a
continuación en donde se aprecian las herramientas a utilizar según el tipo de decisión y el
nivel organizativo
7. 7
Los Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para resolver
problemas de búsqueda y optimización. Están basados en el proceso genético de los
organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza
de acorde con los principios de la selección natural y la supervivencia de los más fuertes,
postulados por Darwin. Por imitación de este proceso, los Algoritmos Genéticos son capaces
de ir creando soluciones para problemas del mundo real. La evolución de dichas soluciones
hacia valores óptimos del problema depende en buena medida de una adecuada codificación
de las mismas.
Un algoritmo genético consiste en una función matemática o una rutina de software que toma
como entradas a los ejemplares y retorna como salidas cuáles de ellos deben generar
descendencia para la nueva generación.
Versiones más complejas de algoritmos genéticos generan un ciclo iterativo que directamente
toma a la especie (el total de los ejemplares) y crea una nueva generación que reemplaza a la
antigua una cantidad de veces determinada por su propio diseño. Una de sus características
principales es la de ir perfeccionando su propia heurística en el proceso de ejecución, por lo
que no requiere largos períodos de entrenamiento especializado por parte del ser humano,
principal defecto de otros métodos para solucionar problemas, como los Sistemas Expertos.
8. 8
Los Algoritmos Genéticos usan una analogía directa con el comportamiento natural.
Trabajan con una población de individuos, cada uno de los cuales representa una
solución factible a un problema dado. A cada individuo se le asigna un valor o
puntuación, relacionado con la bondad de dicha solución. En la naturaleza esto
equivaldría al grado de efectividad de un organismo para competir por unos
determinados recursos. Cuanto mayor sea la adaptación de un individuo al
problema, mayor será la probabilidad de que el mismo sea seleccionado para
reproducirse, cruzando su material genético con otro individuo seleccionado de
igual forma. Este cruce producirá nuevos individuos. Descendientes de los
anteriores. Los cuales comparten algunas de las características de sus padres.
Cuanto menor sea la adaptación de un individuo, menor será la probabilidad de
que dicho individuo sea seleccionado para la reproducción, y por tanto de que su
material genético se propague en sucesivas generaciones.
La aplicación más común de los algoritmos genéticos ha sido la solución de problemas de optimización,
en donde han mostrado ser muy eficientes y confiables. Sin embargo, no todos los problemas pudieran
ser apropiados para la técnica, y se recomienda en general tomar en cuenta las siguientes características
del mismo antes de intentar usarla:
Su espacio de búsqueda (i.e., sus posibles soluciones) debe estar delimitado dentro de un cierto
rango.
Debe poderse definir una función de aptitud que nos indique qué tan buena o mala es una cierta
respuesta.
Las soluciones deben codificarse de una forma que resulte relativamente fácil de implementar en
la computadora.
9. 9
Los Algoritmos Genéticos usan una analogía directa con el comportamiento natural. Trabajan
con una población de individuos, cada uno de los cuales representa una solución factible a un
problema dado. A cada individuo se le asigna un valor o´ puntuación, relacionado con la
bondad de dicha solución. En la naturaleza esto equivaldría al grado de efectividad de un
organismo para competir por unos determinados recursos. Cuanto mayor sea la adaptación
de un individuo al problema, mayor será´ la probabilidad de que el mismo sea seleccionado
para reproducirse, cruzando su material genético con otro individuo seleccionado de igual
forma. Este cruce producirá´ nuevos individuos – descendientes de los anteriores – los cuales
comparten algunas de las características de sus padres. Cuanto menor sea la adaptación de
un individuo, menor será´ la probabilidad de que dicho individuo sea seleccionado para la
reproducción, y por tanto de que su material genético se propague en sucesivas
generaciones.