Vicerrectoría General
Dirección Nacional de Servicios Académicos Virtuales
INTRODUCCION A LAS REDES NEURONALES
Aunque actualmente las máquinas de computo son capaces de efectuar milones de cálculos complejos en unos segundos, estas son incapaces de percibir una imágen o interpretar un sonido, es decir son incapaces de percibir características del medio. Esta deficiencia de los sistemas de cómputo secuenciales dió la pauta para que los investigadores y científicos buscaran la manera en que los sistemas de computo lograran trabajar con cierta similitud al desempeño del cerebro humano, esto por cuanto este órgano posee características muy deseables para un sistema de cómputo.
Hace más de 30 años, dichos científicos e investigadores, dieron inicio a un proceso de investigación en lo que se conoce hoy en día como inteligencia artificial y redes neuronales artificiales, sin embargo debido que las redes neuronales requieren grandes velocidades de procesamiento, la investigación en esta rama tuvo un resago con respecto a la inteligencia artificial. No obstante hoy en día la velocidad de procesamiento ya no es un problema relevante, razón por la cual recientemente se hen retomado las teorías e investigación en lo que gira en torno a las redes neuronales.
Algunas de las aplicaciones sobresalientes de las redes neuronales son:
FUNCIONAMIENTO DE UNA NEURONA BIOLÓGICA
1. Las Neuronas biológicas se componen de:
Sinapsis, Dendritas, Axones y Cuerpos Celulares.
La mayoría de las neuronas, como la que se muestra en la
figura, consisten en un cuerpo de célula más un axón
y muchas dendritas. Un axón se define como una protuberancia
que transporta la salida de la neurona hasta las conexiones de otras
neuronas, mientras que las dendritas son protuberancias que proporcionan
área superficial en abundancia para facilitar la conexión
con los axones de otras neuronas.
Una neurona no hace nada, a menos que la influencia colectiva de todas sus entradas alcance un nivel de umbral. Siempre que se alcanza tal umbral, la neurona produce una salida de potencia completa, que consiste en un pulso estrecho que se desplaza del cuerpo de célula, por el axón, hasta las ramas de éste, en este caso se dice que la neurona de dispara. Debido a que una neurona se dispara o no hace nada, se dice que este es un dispositivo de todo o nada.
Los axones influyen en las dendritas sobre unos
espacios estrechos llamados Sinapsis. La estimulación en
unas sinapsis hace que las neuronas se disparen y en otras desalienta
el disparo. El aprendizaje se lleva a cabo en las cercanías
de las sinapsis.
LAS REDES NEURONALES ARTIFICIALES
Las redes de neuronas artificiales consisten en
neuronas como la que se muestra en la figura 2. La neurona simulada
se ve como un nodo conectado con otros mediante enlaces que corresponden
a conexiones axón-sinapsis-dendrita. A cada enlace está
asociado un peso, que determina la naturaleza e intensidad de la
influencia de un nodo sobre otro. Es decir, la influencia de un
nodo sobre otro es el producto de la salida de la neurona que influye
por el peso del enlace que los conecta. Un peso positivo grande
corresponde a una excitación fuerte y un peso negativo pequeño
corresponde a una inhibición débil.
Función de Activación: es la función mediante
la cuál cada nodo combina las influencias separadas que recibe
en sus enlaces de entrada en una influencia global.
Una sola función de activación pasa la suma de los valores de entrada a través de una función de umbral para determinar la salida del nodo, que puede ser 0 ó 1, dependiendo de si la suma de las entradas está por encima o por debajo del valor de umbral utilizado por la función de umbral de nodo.
En estas neuronas simplificadas:
- Los pesos modelan las propiedades de las sinapsis.
- Los sumadores modelan la capacidad de combinar influencias de
las dendritas.
- La comparación con un umbral modela la característica
de todo o nada que imponen los mecanismos electroquímicos
en el cuerpo de la célula.
En general, una neurona envía su salida a otras por su axón, el axón lleva la información por medio de diferencias de potencial, u ondas de corriente, que depende del potencial de la neurona, este proceso es a menudo modelado como una regla de propagación representada por la función de red u(.).
La neurona recoge las señales por su sinápsis sumando todas las influencias excitadoras e inhibidoras. Si las influencias excitadoras positivas dominan, entonces la neurona da una señal positiva y manda este mensaje a otras neuronas por sus sinápsis de salida. En este sentido la neurona puede ser modelada como una simple función escalón f(). Como se muestra en la próxima figura, la neurona se activa si la fuerza combinada de la señal de entrada es superior a un cierto nivel, en el caso general el valor de activación de la neurona viene dado por una función de activación f(.)
APRENDIZAJE (ENTRENAMIENTO)
La principal característica importante de las Redes Neuronales es su capacidad para aprender de su ambiente, y mejorar su desempeño a través del aprendizaje. Una Red Neuronal aprende acerca de su ambiente a través de un proceso interactivo de ajustes de sus pesos sinápticos y niveles de sesgo (bias).
La siguiente es la secuencia de eventos que ocurren durante el parendizaje:
Se define como algoritmo de aprendizaje al conjunto de reglas bien definidas para la solución de un problema de aprendizaje, existe gran variedad de algoritmos de aprendizaje teniendo cada uno sus propias ventajas.
Los algoritmos de aprendizaje difieren entre sí en la forma
como se formulan los cambios en los pesos sinápticos.
