Aplicacion De Las Redes Neuronales

Conceptualización y Aplicaciones de las redes neuronales (RNA)

Cesar Luis Dominguez Tellez 1, Miguel Angel Cruz Mendoza2

RESUMEN

Las redes neuronales artificiales (RNA) son aplicadas en diversos ámbitos de la actividad humana. Una de sus aplicaciones es como herramienta de análisis de información, dentro de la Bibliometría. En este trabajo también se hace una introducción sobre las aplicaciones de las RNA, se exponen algunas de las aplicaciones que tienen las redes neuronales. Se utiliza y caracteriza un software que retoma el funcionamiento de las aplicaciones, para su rendimiento, el concepto en donde se ejemplifica la utilidad de las RNA, dentro de la la vida cotidiana a través de casos prácticos.

Palabras claves: análisis, RNA, algoritmos, software, Bibliometría.

ABSTRACT

The artificial neuronal networks (ANN) are applied in a wide range of the humankind activities. One of them is as a tool for the data analysis, within Bibliometrics. In this paper an introduction to some special features of the ANN is made, The different elements that form these networks are presented and their working principle is linked to the Bibliometrics. A software that takes, for its own running, the concepts and algorisms from the Self- organizing maps is used and characterized. Finally, the use of the ANN, in the life is shown through different of cases practics.

Key words: analysis, RNA, algorisms, sostware, Bibliometrics,

INTRODUCCIÓN

Las redes neuronales, desde sus inicios, dejaron una gran huella desde su creación, ya que el hombre se ha caracterizado siempre por su búsqueda constante de nuevas vías para mejorar sus condiciones de vida. Estos esfuerzos le han servido para reducir el trabajo en aquellas operaciones en las que la fuerza juega un papel primordial. Los progresos obtenidos han permitido dirigir estos esfuerzos a otros campos, como por ejemplo, a la construcción de máquinas calculadoras que ayuden a resolver de forma automática y rápida determinadas operaciones que resultan tediosas cuando se realizan a mano. Sus aplicaciones, hoy día, van desde la industria de los juegos hasta las cadenas de producción de varias empresas. Para ello se han desarrollado múltiples técnicas como las relacionadas con la inteligencia artificial. Las más conocidas son la lógica difusa (aprendizaje inductivo), algoritmos genéticos y redes neuronales.

Uno de los primeros en adentrarse al tema fue Simpson, Patrick K. (1990) quien trató infructuosamente de construir una máquina capaz de resolver problemas matemáticos. Posteriormente otros tantos intentaron construir máquinas similares, pero no fue hasta la Segunda Guerra Mundial, cuando ya se disponía de instrumentos electrónicos, que se empezaron a recoger los primeros frutos. En 1946 se construyó la primera computadora electrónica, ENIAC. Desde entonces los desarrollos en este campo han tenido un auge espectacular.

Actualmente las redes neuronales se emplean en diferentes campos, estos se agrupan según varios criterios. Uno de ellos es el propuesto por Deboeck, quien los agrupa en:

- Modelación financiera y económica. - Perfiles de mercado y clientes. -Aplicaciones médicas. - Gerencia del conocimiento y “descubrimiento de datos”. - Optimización de procesos industriales y control de calidad. - Investigación científica. Dicho por Simpson Patrick K, 1990.

El objetivo del presente trabajo es dar a conocer el concepto de las redes neuronales así como también algunas de sus aplicaciones para un mejor entendimiento del tema. Para el logro de este objetivo se darán algunos ejemplos de aplicaciones de redes neuronales.

ANTECEDENTES

Redes neuronales.

Una red neuronal, según Freman y Skapura , es un sistema de procesadores paralelos conectados entre sí en forma de grafo dirigido. Esquemáticamente cada elemento de procesamiento (neuronas) de la red se representa como un nodo. Estas conexiones establecen una estructura jerárquica que tratando de emular la fisiología del cerebro busca nuevos modelos de procesamiento para solucionar problemas concretos del mundo real. Lo importante en el desarrollo de la técnica de las RNA es su útil comportamiento al aprender, reconocer y aplicar relaciones entre objetos y tramas de objetos propios del mundo real. En este sentido, se uilizan las RNA como una herramientas que podrá utilizarse para resolver problemas difíciles.

La posibilidad de resolver problemas difíciles es dable gracias a los principios de las redes neuronales, los cinco más importantes son citados por Hilera y Martínez . Estos son enunciados a continuación:

Aprendizaje adaptativo: Esta es quizás la característica más importante de las redes neuronales, pueden comportarse en función de un entrenamiento con una serie de ejemplos ilustrativos. De esta forma, no es necesario elaborar un modelo a priori, ni establecer funciones probabilísticas. Una red neuronal artificial es adaptativa porque puede modificarse constantemente con el fin de adaptarse a nuevas condiciones de trabajo.

Auto organización: Mientras que el aprendizaje es un proceso donde se modifica la información interna de la red neuronal artificial, la auto organización consiste en la modificación de la red completa con el fin de llevar a cabo un objetivo específico.

Auto organización significa generalización, de esta forma una red puede responder a datos o situaciones que no ha experimentado antes, pero que puede inferir sobre la base de su entrenamiento. Esta característica es muy útil sobre todo cuando la información de entrada es poco clara o se encuentra incompleta.

Tolerancia a fallos: En la computación tradicional la pérdida de un fragmento pequeño de información puede acarrear comúnmente la inutilización del sistema. Las redes neuronales artificiales poseen una alta capacidad de tolerancia a fallos. Se entiende por ello que las redes pueden reconocer patrones de información con ruido, distorsión o incompletos, pero que, además, pueden seguir trabajando aunque se destruya parte de la red (con cierta degradación). La explicación de este fenómeno se encuentra en que mientras la computación tradicional almacena la información en espacios únicos, localizados y direccionables, las redes neuronales lo hacen de forma distribuida y con un alto grado de redundancia.

Operación en tiempo real: Las redes neuronales artificiales, de todos los métodos existentes, son las más indicadas para el reconocimiento de patrones en tiempo real, debido a que trabajan en paralelo actualizando todas sus instancias simultáneamente. Es importante destacar que esta característica solo se aprecia cuando se implementan redes con hardware especialmente diseñados para el procesamiento paralelo.

Fácil inserción en la tecnología existente: Es relativamente sencillo obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilita la integración modular en los sistemas existentes.

Al profundizar en los principios de las RNA y observar continuamente el término neurona no es de extrañar que se piense por analogía en el cerebro humano, este hecho quizás se deba a que las RNA están basadas en la inspiración biológica. El hombre posee cerca de 10 000 000 000 de neuronas masivamente interconectadas, la neurona es una célula especializada que puede propagar una señal electroquímica. Las neuronas tienen una estructura ramificada de entrada (las dendritas) y una estructura ramificada de salida (los axones). Los axones de una célula se conectan con las dendritas de otra, por vía de la sinapsis la neurona se activa y excita una señal electroquímica a lo largo del axón. Esta señal transfiere la sinapsis a otras neuronas, las que a su vez pueden excitase. Las neuronas se excitan sólo sí la señal total recibida en el cuerpo de las células, por conducto de las dendritas, es superior a cierto nivel (umbral de excitación).Las redes neuronales artificiales tratan de imitar este principio de funcionamiento cerebral. Dicho porWasserman P.D. 1989.

DESARROLLO DEL TEMA

1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el mundo de la computación. Sin embargo, los primeros teóricos que concibieron los fundamentos de la computación neuronal fueron Warren McCulloch, un neurofisiólogo, y Walter Pitts, un matemático, quienes, en 1943, lanzaron una teoría acerca de la forma de trabajar de las neuronas (Un Cálculo Lógico de la Inminente Idea de la Actividad Nerviosa - Boletín de Matemática Biofísica 5: 115-133). Ellos modelaron una red neuronal simple mediante circuitos eléctricos. 1949 - Donald Hebb. Fue el primero en explicar los procesos del aprendizaje (que es el elemento básico de la inteligencia humana) desde un punto de vista psicológico, desarrollando una regla de como el aprendizaje ocurría. Aun hoy, este es el fundamento de la mayoría de las funciones de aprendizaje que pueden hallarse en una red neuronal. Su idea fue que el aprendizaje ocurría cuando ciertos cambios en una neurona eran activados. También intentó encontrar semejanzas entre el aprendizaje y la actividad nerviosa. Los trabajos de Hebb formaron las bases de la Teoría de las Redes Neuronales. 1950 - Karl Lashley. En sus series de ensayos, encontró que la información no era almacenada en forma centralizada en el cerebro sino que era distribuida encima de él. 1956 - Congreso de Dartmouth. Este Congreso frecuentemente se menciona para indicar el nacimiento de la inteligencia artificial. 1957 - Frank Rosenblatt. Comenzó el desarrollo del Perceptron. Esta es la red neuronal más antigua; utilizándose hoy en día para aplicación como identificador

...