Monografias.com > Biología
Descargar Imprimir Comentar Ver trabajos relacionados

Redes Neuronales



Partes: 1, 2

    1. Panorama
      General
    2. Redes
      neuronales de tipo biológico
    3. Redes
      neuronales para aplicaciones concretas
    4. Taxonomía de las redes
      neuronales
    5. Redes
      neuronales supervisadas y no supervisadas
    6. Funciones de base y activación
    7. Estructuras de las redes neuronales
      artificiales
    8. Modelos no supervisados

    Panorama General

    Las Redes
    Neuronales Artificiales (Artificial Neural Networks – ANNs)
    se constituyeron inicialmente como
    una simulación
    abstracta de los sistemas
    nerviosos biológicos formados por un conjunto de unidades
    llamadas neuronas o nodos conectados unos con otros. Las
    conexiones de estos nodos se asemejan a las dendritas y axones de
    los sistemas nerviosos biológicos.

    Warren McCulloch y
    Walter Pitts desarrollaron en 1943 el primer modelo de
    red neuronal en
    términos de modelo sistemático de actividad
    nerviosa. El modelo se caracteriza básicamente por ser
    binario, donde cada neurona tiene
    un escalón o umbral prefijado. Este primer modelo
    sirvió de ejemplo para los modelos
    posteriores de Jhon Von Neumann,
    Marvin Minsky, FranK Rosenblatt, etc.

    Las ANNs pueden
    clasificarse en modelos de tipo biológico y tipo dirigido
    a la aplicación de acuerdo a su similitud con la realidad
    biológica:

    • Modelos de
      Tipo
      Biológico.

    Se constituyen
    en redes que
    tratan de simular los sistemas neuronales biológicos
    así como las funciones
    auditivas o funciones básicas de la
    visión.

    • Modelos
      Dirigidos a
      Aplicaciones.

    No
    necesariamente guardan similitud con los sistemas
    biológicos. Sus arquitecturas están fuertemente
    ligadas a las necesidades de las aplicaciones para las que son
    diseñados.

    1. REDES NEURONALES DE TIPO
      BIOLÓGICO

    El cerebro humano
    promedio cuenta con aproximadamente mil millones de neuronas.
    Asimismo, durante las sinápsis cada una de estas
    neuronas recibe en promedio alrededor de 1000 estímulos
    de entrada y genera alrededor de 1000 estímulos de
    salida. En este sentido, la principal ventaja del cerebro
    humano promedio recae en su conectividad, interpretada como la
    capacidad del mismo para realizar diferentes procedimientos
    lógicos a la vez. Sin embargo, su principal debilidad
    recae en la velocidad de
    procesamiento de la información, siendo las computadoras
    en este sentido, muchísimo más
    rápidas.

    El objetivo de
    las redes neuronales de tipo biológico se constituye en
    desarrollar un elemento sintáctico que permita verificar
    las hipótesis correspondientes a los
    demás sistemas biológicos. Es decir, las redes
    neuronales de tipo biológico deben recibir y procesar
    información de otros sistemas biológicos y
    devolver una respuesta de acción efectiva.

    La mayor parte
    de las neuronas posee una estructura
    arbórea formada en su mayor parte por dendritas que,
    conectadas a otras neuronas, se encargan de recibir los
    estímulos de entrada neuronales mediante uniones
    denominas sinopsis. Algunas neuronas tiene una estructura que
    las comunica con miles de neuronas más, mientras otras
    sólo puede comunicarse con unas cuantas a su alrededor.
    Las tres partes importantes de la estructura de una neurona
    son:

    • Ramas de Extensión o
      Dendritas – Reciben estímulos de
      Entrada.
    • Cuerpo de la Neurona –
      Procesa estímulos de Entrada.
    • Axón – Emite
      estímulos de Salida a las Dendritas de otras
      neuronas.

    Actualmente no
    sé conoce con certeza la verdadera forma de interacción de las neuronas. En general,
    una neurona recibe estímulos de entrada mediante las
    dendritas, estos estímulos son procesados en el cuerpo
    de la misma para posteriormente emitir un estímulo de
    salida mediante el axón. Este último
    estímulo utiliza diferencias de potencial
    eléctrico u ondas de
    corriente las cuales dependen fundamentalmente del potencial de
    la neurona. Asimismo, la neurona utiliza la función
    de escalón y la función de activación para
    determinar la salida que debe emitir de acuerdo a los
    estímulos recibidos.

    1. El conocimiento que se posee sobre el sistema
      nervioso es aún incompleto. En este sentido, las
      ANNs no se encuentran muy ligadas a lo que son en sí
      las redes neuronales biológicas. Por lo tanto, se han
      definido otras funcionalidades y estructuras de conexión distintas a las
      establecidas por la biología. Las principales
      características de las ANNs son las
      siguientes:

      Auto
      Organización y
      Adaptabilidad

      Utilizan
      algoritmos
      de aprendizaje
      adaptativo y auto organización ofreciendo
      posibilidades de un procesamiento robusto y
      adaptable.

      Procesado
      No Lineal y Paralelo

      Aumenta la
      capacidad de la neurona para poder
      aproximar y clasificar información haciéndose
      más inmune al ruido
      (datos
      desordenados).

      Estas
      características juegan un papel importante en
      las ANNs aplicadas al procesado de señales. En este sentido, la red
      constituida para una aplicación determinada
      poseerá una arquitectura
      concreta de elementos de procesado adaptativo, masivo y
      paralelo que se combinan en estructuras de
      interconexión de red jerárquica.

    2. REDES NEURONALES PARA APLICACIONES
      CONCRETAS

      Toda
      aplicación de redes neuronales consta de dos fases: la
      fase de aprendizaje o entrenamiento
      y la fase de prueba o funcionamiento directo. En la fase de
      entrenamiento se usa un conjunto de datos o patrones de
      entrenamiento para determinar los pesos que definen el modelo
      neuronal. Este modelo una vez entrenado, se usará en
      la fase de funcionamiento directo en la que se
      procesarán patrones de prueba que constituyen la
      entrada habitual de la red con el objetivo de analizar las
      prestaciones definitivas de la
      misma.

      Fase de
      Prueba

      Los pesos de
      la red neuronal se han obtenido a partir de patrones
      representativos de entradas que se denominan patrones de
      entrenamiento. Los pesos pueden ser calculados de una vez
      como adaptados iterativamente según el tipo de red
      neuronal y en función de las ecuaciones
      dinámicas de prueba. Una vez calculados los pesos de
      la red, se compararán las salidas deseadas con
      los
      valores de las neuronas de la última capa para
      determinar la validez del diseño.

      Fase de
      Aprendizaje

      Una de las
      características más resaltantes de las redes
      neuronales es su capacidad de aprender. Éstas aprenden
      por la actualización o variación de los pesos
      sinápticos que caracterizan a las conexiones. Los
      pesos son adaptados de acuerdo a la información
      extraída de los patrones de entrenamiento nuevos que
      se van presentando. Normalmente, los pesos óptimos se
      obtienen de la optimización (minimización o
      maximización) de alguna función de
      energía.

      El
      entrenamiento de las redes neuronales puede realizarse fuera
      de línea o en tiempo
      real. La elección de cualquiera de ellos o ambos
      implica velocidades de proceso
      diferentes que afectas a los algoritmos y hardware
      utilizados. De acuerdo al tipo de entrenamiento, las redes
      neuronales pueden clasificarse en:

      Fijo

      No
      supervisado

      Supervisado

      Red de
      Hamming

      Mapa de
      características

      Basadas
      en decisión

      Red de
      Hopfield

      Aprendizaje competitivo

      Perceptrón

      ADALINE
      (LMS)

      Perceptrón Multicapa

      Modelos
      Temporales Dinámicos

      Modelos
      Ocultos de Markov

    3. TAXONOMÍA DE LAS REDES
      NEURONALES

      Las redes
      neuronales se clasifican comúnmente en términos
      de sus correspondientes algoritmos o métodos de entrenamiento: redes de
      pesos fijos, redes no supervisadas, y redes de entrenamiento
      supervisado. Para las redes de pesos fijos no existe
      ningún tipo de entrenamiento.

      REDES DE ENTRENAMIENTO
      SUPERVISADO

      Las redes de
      entrenamiento supervisado han sido los modelos de redes
      más desarrolladas desde los inicios de este tipo de
      diseños. Los datos para el entrenamiento están
      constituidos por varios pares de patrones de entrenamiento de
      entrada y de salida. El hecho de conocer la salida implica
      que el entrenamiento se beneficia de la supervisión de un maestro. Dado un
      nuevo patrón de entrenamiento (m+1), los pesos
      serán adaptados de la siguiente forma:

      DIAGRAMA
      ESQUEMÁTICO DE SISTEMA DE
      ENTRENAMIENTO

      REDES DE ENTRENAMIENTO NO
      SUPERVISADO

      Las Redes de
      Entrenamiento no Supervisado utilizan datos de entrenamiento
      consistentes en sólo patrones de entrada. Por lo
      tanto, la red es entrenada sin el beneficio de un maestro. La
      red aprende a adaptarse basada en las experiencias recogidas
      de los patrones de entrenamiento anteriores.

      DIAGRAMA
      ESQUEMÁTICO DE SISTEMA DE ENTRENAMIENTO

      La Regla de
      Aprendizaje de Hebb:
      Refuerza el peso que conecta dos
      nodos que se excitan simultáneamente.

      Regla de
      Aprendizaje Competitiva
      : Determina la factibilidad
      de pertenencia de un patrón a una clase
      reconocida previamente. En caso de darse esta pertenencia, la
      inclusión de este nuevo patrón a la clase
      reconocida cambiará al representante de la
      misma.

    4. REDES NEURONALES SUPERVISADAS Y NO
      SUPERVISADAS

      Una neurona
      suministra un valor a su
      salida que se propaga a través de la red de conexiones
      unidireccionales hacia otras células de la red. Asociada a cada
      conexión hay un peso sináptico denotado por
      wij, que determina el efecto de la neurona
      j-ésima sobre la neurona i-ésima. Las entradas
      a la neurona i-ésima que provienen de las otras
      neuronas son acumuladas junto con el umbral externo, para dar
      el valor de red. La forma de hacerlo está determinada
      matemáticamente por la función de base f
      para dar un valor de activación. En este sentido, la
      salida final se puede expresar como una función de la
      entrada y pesos.

      Las redes de
      conexión son matemáticamente representadas por
      la función de base u (w, x) donde w es la
      matriz de
      pesos y x el vector de entrada. La función de base
      tiene dos formas típicas:

      Función Lineal de
      Base

      Función
      de primer orden o de tipo hiperplano. El valor de red es una
      combinación lineal de las entradas.

      Función de Base
      Radial

      Función de segundo
      orden o de tipo hiperesférico. El valor de red
      representa la distancia a un determinado patrón de
      referencia.

      FUNCIÓN DE
      ACTIVACIÓN O FUNCIÓN DE NEURONA

      La
      función de activación se encarga de transforma
      el valor de red expresado por la función de base u (w,
      x). Las funciones de activación más comunes
      son:

    5. FUNCIONES DE BASE Y
      ACTIVACIÓN

    Partes: 1, 2

    Página siguiente 

    Nota al lector: es posible que esta página no contenga todos los componentes del trabajo original (pies de página, avanzadas formulas matemáticas, esquemas o tablas complejas, etc.). Recuerde que para ver el trabajo en su versión original completa, puede descargarlo desde el menú superior.

    Todos los documentos disponibles en este sitio expresan los puntos de vista de sus respectivos autores y no de Monografias.com. El objetivo de Monografias.com es poner el conocimiento a disposición de toda su comunidad. Queda bajo la responsabilidad de cada lector el eventual uso que se le de a esta información. Asimismo, es obligatoria la cita del autor del contenido y de Monografias.com como fuentes de información.

    Categorias
    Newsletter