Las redes neuronales artificiales de base radial son redes multicapa con una capa oculta que utilizan funciones de base radial como funciones de activación. Cada neurona oculta se activa en una región diferente del espacio de entrada y las neuronas de salida realizan una combinación lineal de las activaciones ocultas. Este tipo de redes pueden utilizarse para análisis de series temporales, reconocimiento de patrones y otros problemas.

1. REDES NEURONALES ARTIFICIALES DE BASE RADIAL
INTRODUCCIÓN
Las herramientas que mayoritariamente se utilizan para la mejora de la calidad mediante el
diseño de procesos y productos solo permiten trabajar con relaciones lineales y consideran
pocas variables de entrada y salida; las redes neuronales artificiales son una alternativa
para poder superar esta limitación. El análisis estadístico tradicional para el diseño de
experimentos, los Métodos Taguchi, entre otros, no permiten hacer este tipo de cálculos.
Los modelos de redes neuronales más utilizados son: Perceptrón, Adaline, Perceptrón
multicapa, redes de base radial, redes recurrentes (Red de Hopfield), redes de aprendizaje
supervisado (Mapas auotoorganizados de Kohonen), y de resonancia adaptativa ART,
redes de series temporales, redes de control de procesos dinámicos, redes de clasificación
(redes de cuantización vectorial). Las RNA más utilizadas se aprecian que algunas podrían
servir de base para desarrollar una nueva RNA a ser utilizada en temas relacionados con
la mejora de la calidad. Las Redes Neuronales Artificiales (RNA) son sistemas de
procesamiento de la información cuya estructura y funcionamiento están inspirados en las
redes neuronales biológicas.
Las redes de base radial son un tipo de redes de neuronas artificiales que calculan la salida
de la función en función de la distancia a un punto denominado centro. Al igual que con los
perceptrones multicapa, sirven como aproximadores universales

2. MARCO TEÓRICO
Las redes de neuronas de base radial son las que mejor se adecuan a nuestro objetivo,
debido a que son redes multicapa con conexiones hacia delante, que se caracterizan
porque están formadas por una única capa oculta y cada neurona de esta capa posee un
carácter local, en el sentido de que cada neurona oculta de la red se activa en una región
diferente del espacio de patrones de entrada. Este carácter local viene dado por el uso de
las llamadas funciones de base radial generalmente la función gausiana, como funciones
de activación. Las neuronas de la capa de salida de las redes de base radial simplemente
realizan una combinación lineal de las activaciones de las neuronas ocultas. La capa de
entrada la componen un conjunto de neuronas que reciben las señales del exterior,
transmitiéndolas a la siguiente capa sin realizar ningún procesado sobre dichas señales.
Las neuronas de la capa oculta reciben las señales de la capa de entrada y realizan una
transformación local y no lineal sobre dichas señales. Activación de las neuronas de la red
de base radial.
CARACTERÍSTICAS
 Tiene sus orígenes en 1989 y 1990.
 Son redes de tipo multicapa que tienen conexiones hacia delante y que sólo tienen
una capa oculta.
 Mientras que las neuronas ocultas poseen carácter local, las neuronas de salida
realizan una combinación lineal de las activaciones de las neuronas ocultas.
 Al igual que los perceptrones multicapas, son aproximadores universales.
 Cada neurona, o función de base radial, define una hiperesfera o una hiperelipse
que divide el espacio de entrada. Cada neurona construye una aproximación local
no lineal en una determinada región del espacio de entrada.
 Este tipo de redes construyen aproximaciones que son combinaciones lineales de
múltiples funciones locales no lineales.
APLICACIONES
Este tipo de redes se pueden implementar para realizar análisis de series temporales,
procesamiento de imágenes, reconocimiento automático del habla, diagnósticos médicos,
entre otros tipos de funciones.

3. ARQUITECTURA
Cada neurona tiene 3 capas diferentes en total:
Capa de entrada
Transmiten las señales de entrada a las neuronas ocultas sin realizar procesamiento
Las conexiones de la capa de entrada a la capa oculta no llevan pesos asociados
Capa oculta
Realizan una transformación local y no lineal de dichas señales
Capa de salida
Realiza una combinación lineal de las activaciones de las neuronas ocultas
APRENDIZAJE
Posee un aprendizaje totalmente supervisado, este tipo de aprendizaje no conserva,en principio,
las propiedades o características locales de las redes de base radial. En este caso, todos los
parámetros de la red, centros, amplitudes, pesos y umbrales, se determinan de manera
completamente supervisada y con el objetivo de minimizar el error cuadrático medio. En este
proceso, en ningún momentose tiene en cuenta que las amplitudes alcancen valores tales que el
solapamientode lasactivacionesde lasneuronasde lacapaocultasealomássuave posible.Asíque
en principio, esa característica de localidad se puede perder.

4. CONCLUSIONES
Las Redes Neuronales Artificiales con Función de Base Radial aplicadas a los diseños de
experimentos para mejora de la calidad dan mejores resultados que los obtenidos mediante
los métodos de análisis estadísticos tradicionales y del Perceptrón Multicapa con
aprendizaje Backpropagation. Es así que se construyó la “Red desarrollada”.
Las características principales de estas redes son la arquitectura en tres capas; en la capa
oculta el aprendizaje es no supervisado y en la capa de salida se da un aprendizaje
supervisado
La Red de Base Radial también tiene inconvenientes; en ciertos casos, es necesario un
elevado número de neuronas en la capa oculta y esto produce pérdida de generalización.
El número de neuronas ocultas aumenta exponencialmente con la dimensión del espacio
de entradas.
BIBLIOGRAFÍA
Hilera, J y Martinez, V. 2000. Redes neuronales artificiales. Alfaomega. Madrid España.
Hernández, L y Hernández A. 2011. Introducción a las Redes Neuronales. (En línea). Hidalgo.
Consultado, 19 de julio. 2015. Formato PDF. Disponible en
http://www.uaeh.edu.mx/docencia/P_Presentaciones/huejutla/sistemas/redes_neuronales/
introduccion.pdf
Poma, F. 2009.Modelo de Redes Neuronales de base radial. Revista de Información, Tecnología
y Sociedad. (En Línea). Consultado el 15 de Julio 2015. Disponible en
http://www.revistasbolivianas.org.bo/scielo
Pérez, M; Valenciano, P. 2007. Empleo de redes neuronales de base radial. Ciencia Ergo Sum,
Vol.14, Nº1, marzo-junio, 2007, pp.6-14.Universidad Autónoma del Estado de México.
Disponible en http://www.redalyc.org
Valls, J.2007. Redes de Neuronas de Base Radial. (En Línea). Consultado el 18 de Julio 2015.
Formato PDF.Disponible en http://eva.evannai.inf.uc3m.es/et/docencia/rn-
inf/documentacion/Tema4-RNBR.pdf