Red Neuronal Artificial

Existe actualmente una gran tendencia a establecer un nuevo campo de la computación que integraría los diferentes métodos de resolución de problemas que no pueden ser descritos fácilmente mediante un enfoque algorítmico tradicional. Estos métodos tienen su origen en la emulación de sistemas biologicos. Se trata de una nueva forma de computación que es capaz de manejar las impresiciones e incertidumbres de problemas relacionados con el mundo real (reconocimiento de formas, toma de decisiones, etc.). Para ello se dipone de un conjunto de metodologías como la Logica Borrosa, el Razonamiento Aproximado, la Teoria del Caos y las Redes Neuronales, tema central de este documento.

Palabras Clave:

Máquinas Inteligentes. Máquinas que realizan con cierto éxito funciones típicas de los seres humanos.

Inteligencia Artificial. Capacidad de un artefacto de realizar los mismos tipos de funciones que caracterizan al pensamiento humano.

INTRODUCCION

Con las Redes Neuronales se busca la solución de problemas complejos, no como una secuencia de pasos, sino como la evolución de unos sistemas de computación inspirados en el cerebro humano, y dotados por tanto de cierta "inteligencia", los cuales no son sino la combinación de elementos simples de proceso (neuronas - se dará una visión rápida sobre el funcionamiento de las mismas en los seres vivos-) interconectados, que operando de forma paralela en varios estilos que serán analizados detalladamente, consiguen resolver problemas relacionados con el reconocimiento de formas o patrones, predicción, codificación, control y optimización entre otras aplicaciones que finalizarán con este documento.

FUNDAMENTOS DE LAS REDES NEURONALES

Panorama Histórico

Conseguir, diseñar y construir máquinas capaces de realizar procesos con cierta inteligencia ha sido uno de los principales objetivos y preocupaciones de los científicos a lo largo de la historia. Sin embargo a pesar de disponer de herramientas y de lenguajes de programación diseñados para el desrrollo de máquinas inteligentes, existe un problema de fondo que limita los resultados: estas máquinas se implementan sobre ordenadores basados en la filosofía de Von Neumann, y se apoyan en una descripción secuencial del proceso de tratamiento de la información.

Las primeras explicaciones teóricas sobre el cerebro y el pensamiento fuerón dadas por algunos filósofos griegos, como Platón y Aristóteles, quienes fuerón apoyados despúes por Descartes y filósofos empiristas.

Alan Turing, en 1936, fue el primero en estudiar el cerebro como una forma de ver el mundo de la computación, pero quienes primero concibierón algunos fundamentos de la computación neuronal fuerón Warren McCulloch y Walter Pitts, despúes otras teorias iniciales fuerón expuestas por Donald Hebb. Pero solo hasta 1957 Frank Rosenblatt comenzó el desarrollo del Perceptrón, la red neuronal más antigua de la que me encargaré posteriormente.

Más adelante apareció el modelo ADALINE, desarrollado por Bernard Widrow y Marcial Hoff.

Stephen Grossberg realizó Avalancha en 1967, hasta 1982 el crecimiento se frenó pero surgierón luego investigaciones sobre redes como la de Marvin Minsky y Seymour Papert, despúes James Anderson desarrollo el Asociador Lineal, en Japón Kunihiko Fukushimika y Teuvo Kohonen que se centrarón en redes neuronales para el reconocimiento de patrones; en USA John Hopfield tambien realizó importantes investigaciones.

Desde 1985 comenzarón a consolidarse los congresos más importantes como Neuronal Networks for Computing, la Neural Information Processing Systems, entre algunas otras.

Actualmente, son numerosos los trabajos que se realizan y publican. Revistas como Neural Networks, Transactions on Neural Networks, entre otros, son las encargadas de la publicación de los últimos avances.

El Departamento de Defensa de los Estados Unidos, la Sociedad Europea de Redes Neuronales son algunos de los ejemplos del resurgir de la investigación sobre redes neuronales.

El Modelo Biológico

La teoría y modelado de resdes neuronales está inspirada en la estructura y funcionamiento de los sistemas nerviosos, donde la neurona es el elemento fundamental.

En general, una neurona consta de un cuerpo celular más o menos esférico, de 5 a 10 micras de diámetro, del que salen una rama principal, el axón, y varias ramas más cortas, llamadas dendritas.

Una de las características de las neuronas es su capacidad de comunicarse. En términos generales las dendritas y el cuerpo celular reciben señales de entrada; el cuerpo celular las combina e integra y emite señales de salida. El axón transmite dichas señales a los terminales axónicos, que distribuyen información o un nuevo conjunto de neuronas, se calcula que en el cerebro humano existen del orden de 1015 conexiones.

Las señales que se utilizan son de dos tipos: eléctrica y química. La señal generada por la neurona y transportada a lo largo del axón es un implso eléctrico, mientras que la señal que se transmite entre los terminales axónicos de una neurona y las dendritas de la otra es de origen químico.

Para establecer una similitud directa entre la actividad sináptica y la analogía con las redes neuronales artificiales podemos considerar: Las señales que llegan a la sinapsis son las entradas a la neurona; estas son ponderadas (atenuadas o simplificadas) a través de un parámetro, denominado peso asociado a la sinapsis correspondiente. Estas señales de entrada pueden excitar a la neurona (sinapsis con peso positivo) o inhibirla (peso negativo). El efecto es la suma de las entradas ponderadas. Si la suma es igual o mayor que el umbral de la neurona, entonces la neurona se activa (da salida). Esta es una situación de todo o nada; cada neurona se activa o no se activa. La facilidad de transmisión de señales se altera mediante la actividad del sistema nervioso. Las sinapsis son suceptibles a la fatiga, deficiencia de oxígeno y la presencia de anestésicos, entre otro. Esta habilidad de ajustar señales es un mecanismo de aprendizaje.

Elementos de una Red Neuronal Artificial

Las redes neuronales artificiales (RNA) son modelos que intentan reproducir el comportamiento del cerebro. Como tal modelo, realiza una simplificación, averiguando cuáles son los elementos relevantes del sistema, bien bien porque la cantidad de información de que se dispone es excesiva o bien porque es redundante. Una elección adecuada

...