Beruflich Dokumente
Kultur Dokumente
RESUMEN: Este artículo muestra una descripción de computacional inspirado en el cerebro humano,
las generalidades de las redes neuronales artificiales además constituyen una parte muy importante en el
(RNA). Se mencionan los antecedentes históricos, estudio y desarrollo de la inteligencia artificial, ya que
características, clasificación, ventajas, desventajas pueden ser combinadas con otras herramientas como la
haciendo un mayor énfasis en las aplicaciones actuales lógica difusa, los algoritmos genéticos o los sistemas
y su tendencia futura. expertos, lo cual explica su importancia.
1
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.
2
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.
3
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.
Aprendizaje Adaptativo: Las RNA aprenden a Las redes neuronales fueron los
realizar tareas a partir de un conjunto de datos primeros métodos computacionales con la
dados, en el proceso de aprendizaje, estos capacidad inherente de tolerancia a fallos.
datos son representados como las entradas y
Comparados con los sistemas computacionales
pesos.
tradicionales, los cuales pierden su
Es una de las características más atractivas de funcionalidad cuando sufren un pequeño error
redes neuronales. Esto es, aprenden a llevar a de memoria, en las redes neuronales, si se
cabo ciertas tareas mediante un entrenamiento produce un fallo en un número no muy grande
con ejemplos ilustrativos. Como las redes de neuronas y aunque el comportamiento del
neuronales pueden aprender a diferenciar sistema se ve influenciado, no sufre una caída
patrones mediante ejemplos y entrenamientos, repentina.
no es necesario elaborar modelos a priori ni
necesidad de especificar funciones de
Tolerancia a fallos parciales: La destrucción
distribución de probabilidad.
parcial de una red, daña el funcionamiento de la
misma, pero no la destruye completamente.
Auto-organización: Pueden crear su propia
Esto es debido a la redundancia de la
organización o representación de la información
información contenida.
recibida.
En el proceso de aprendizaje, los enlaces
ponderados de las neuronas se ajustan de
Las redes neuronales autoorganizan la
manera que se obtengan ciertos resultados
información que reciben durante el aprendizaje
específicos. Una red neuronal no necesita un
y/o la operación: Mientras que el aprendizaje es
algoritmo para resolver un problema, ya que
la modificación de cada elemento procesal, la
ella puede generar su propia distribución de
autoorganización consiste en la modificación de
pesos en los enlaces mediante el aprendizaje.
la red neuronal completa para llevar a cabo
También existen redes que continúan
un objetivo específico.
aprendiendo a lo largo de su vida, después de
completado su período de entrenamiento.
Cuando las redes neuronales se usan para
reconocer ciertas clases de patrones, ellas auto
Hay dos aspectos distintos respecto a la
organizan la información usada. Por ejemplo, la
tolerancia a fallos:
red llamada backpropagation, creará su propia
representación característica, mediante la cual
a) Las redes pueden aprender a reconocer
puede reconocer ciertos patrones.
patrones con ruido, distorsionados o
incompletos. Esta es una tolerancia a fallos
Esta auto organización provoca la
respecto a los datos.
generalización: facultad de las redes
4
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.
b) Las redes pueden seguir realizando su modelar procesos paralelos en máquinas serie puede
función (con cierta degradación) aunque se ser un proceso que consuma mucho tiempo. Como todo
en este día y época, el tiempo es esencial, lo que a
destruya parte de la red.
menudo deja las redes neuronales fuera de las
soluciones viables a un problema.
La razón por la que las redes neuronales son
tolerantes a los fallos es que tienen su
información distribuida en las conexiones entre Otros problemas con las redes neuronales son la falta de
neuronas, existiendo cierto grado de reglas definitorias que ayuden a construir una red, para
un problema dado, hay muchos factores a tomar en
redundancia en este tipo de almacenamiento.
cuenta: el algoritmo de aprendizaje, la arquitectura, el
La mayoría de los ordenadores algorítmicos y número de neuronas por capa, el número de capas, la
sistemas de recuperación de datos almacenan representación de los datos y mucho más y otro de los
cada pieza de información en un espacio único, problemas es la llamada caja negra el problema es que
localizado y direccionable. En cambio, las redes cuando se modela estadísticamente somos capaces de
neuronales almacenan información no ver que variables forman parte del modelo o cuales de
las que finalmente se utilizaron para modelar fueron
localizada. Por lo tanto, la mayoría de las
seleccionadas por los algoritmos para predecir o
interconexiones entre los nodos de la red clasificar, podemos ver sus pesos y la ecuación final,
tendrán sus valores en función de los estímulos cosa que no es posible en las redes neuronales.
recibidos, y se generará un patrón de salida
que represente la información almacenada.
3.5. CLASIFICACIÓN DE LAS RNA
Operación en tiempo real: los cómputos
neuronales pueden ser realizados en paralelo; Los científicos y técnicos a lo largo de la historia como
para esto se diseñan y fabrican máquinas con han planteado diferentes modelos de redes neuronales
artificiales, esto ha generado una multiplicidad de
hardware especial para obtener esta
modelos, algunos únicos, otros híbridos no siendo fácil
capacidad. clasificarlos
Fácil inserción dentro de la tecnología
existente: se pueden obtener chips Sin embargo, según lo planteado por Flórez y Gómez en
especializados para redes neuronales que su artículo “Las redes neuronales celulares y su
mejoran su capacidad en ciertas tareas. Ello aplicación en el procesamiento de imágenes utilizando
matlab” [4] y además los planteado en: “Cellular Neural
facilitará la integración modular en los sistemas
Networks”[5] las redes neuronales pueden ser
existentes. clasificadas bajo 2 criterios:
Las redes neuronales se autoajustan a los
elementos procesales: Son dinámicas, pues Una dependiendo de la naturaleza de su entrada que
son capaces de estar constantemente puede ser continua o binaria (discreta) (ver diagrama):
cambiando para adaptarse a las nuevas
condiciones.
5
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.
Otra puede ser vista desde 5 propiedades a saber: Reconocimiento de Caracteres: Esta idea tomó
topología, arquitectura, modelo neuronal, algoritmo de mucho auge y fue tomada inicialmente en las
aprendizaje y planificación. Kohonen estableció además palm que fueron muy populares hace algunos
otra clasificación adicional: Redes Feedforward, años, aun esta aplicación se emplea en algunos
Backforward y Redes competitivas. tablets y teléfonos celulares táctiles. De hecho,
el reconocimiento de caracteres, permite
En la actualidad se clasifican a partir de 2 de sus reconocer texto escrito manualmente.
características primordiales: Compresión de imágenes: Las redes
neuronales pueden recibir y procesar grandes
3.5.1. Según su Topología: cantidades de información a la vez, siendo esto
útil en la compresión de imágenes, solo basta
Red Feedforward y Backforward: que son dos hacer una observación con el crecimiento del
tipos de redes de propagacióin hacia adelante o internet y del diseño de imágenes y de
acíclicas en las que las señales van desde la animaciones, cada vez más pesadas, pero en
capa de entrada hacia la de salida, sin existir los navegadores de internet, son muy livianas.
ciclos ni conexiones, entre neuronas de la Mercado de Valores: El negocio del día a día de
misma capa. En función de su estructura la bolsa bursátil es muy complicado, muchos
pueden ser de dos clases: factores pesan en si una acción propuesta
Monocapa: (Ejemplo: Perceptrón o el subirá o bajará. Desde las RNA se puede
Adeline) examinar una gran cantidad de información en
forma rápida y organizar todo de manera que
Multicapa: (Ejemplo: Perceptrón Multicapa) se pueda hacer un adecuado estudio de
proyección y predecir el valor de las acciones.
Red Recurrente: Que presenta al menos un Procesamiento de alimentos: En este caso se
ciclo cerrado de activación neuronal (Ejemplo: ha implementado el uso de una nariz
Elman y Hopfield) electrónica que reemplaza a los seres humanos
y llevar un adecuado control en la inspección,
3.5.2. Según su Algoritmo de Aprendizaje: clasificación de los productos, por ejemplo en
las pescaderías industriales, en el control del
En este caso se clasifican en 4 modelos propuestos: nivel de acidez de la mayonesa, el seguimiento
de la maduración del queso, control de sabores,
Aprendizaje Supervisado: Necesitan un filtrado de señales etc.
conjunto de datos de entrada previamente Medicina: una de las áreas que más ha ganado
clasificado o cuya respuesta sea conocida por la atención es en la detección de afecciones
ejemplo: Perceptrón simple, Backpropagation, cardiopulmonares, es decir compara muchos
Perceptrón multicapa, Memoria Asociativa modelos distintos para identificar similitud en
Bidireccional. patrones y síntomas de la enfermedad. Estos
Aprendizaje Auto organizado: No necesitan un sistemas ayudan a los médicos con el
conjunto de datos previamente organizados. diagnóstico por el análisis de los síntomas
Por ejemplo: Memorias Asociativas, Hopfield, reportados y las resonancias magnéticas y
La máquina de Boltzman y la máquina de rayos x. También se han usado para
Cauchy, redes de aprendizaje competitivo, dispositivos analizadores de habla para ayudar
Kohonen y redes de resonancia adaptativa a personas con sordera profunda,
(ART). monitorización de cirugías, predicción de
Redes Híbridas: Es una combinación de las 2 reacciones adversas a un medicamento,
anteriores en donde se emplea una función de entendimiento de causas de ataques epilépticos
mejora para facilitar la convergencia: Por Milicia: Las redes neuronales juegan un papel
ejemplo las redes de base radial. importante en el campo de batalla,
Aprendizaje Reforzado: Están ubicadas entre el especialmente en aviones de combate y
supervisado y el auto organizado tanques que son equipados con cámaras
digitales de alta resolución que funciona
4 APLICACIONES conectado a un computador que continuamente
explora el exterior de posibles amenazas. De
igual manera se pueden emplear para clasificar
Las redes neuronales tienen un gran número de
señales de radar, creación de armas
aplicaciones reales en la industria. De hecho ya han sido
inteligentes
aplicadas en muchos dispositivos electrónicos
comerciales, debido a que las redes neuronales Diagnóstico de Maquinas: A nivel industrial
muestran mejores resultados en el reconocimiento de cuando una de estas máquinas presenta fallos
patrones o tendencia de los datos que están bien automáticamente las apaga cuando esto
adaptados para la previsión de las necesidades. Según ocurre.
el artículo titulado “ Artificial Neural Networks” [6] De Análisis de Firmas: Las redes neuronales
esta amplia gama de aplicaciones nos ocuparemos de pueden ser empleadas para la comparación de
algunas: firmas generadas, (Por ejemplo en los bancos),
6
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.
con las que han sido registradas. Esta ha sido sinapsis que conectan a este gran número de
una de las primeras aplicaciones implementada neuronas. Basado en un comportamiento
a gran escala en USA y también han sido los meramente numérico, es probable que las
primeros en usar un chip neuronal. conexiones sinápticas son el sitio ideal para
Monitoreo de Aviones: controlan el estado de almacenar la gran cantidad de información que
los motores de las aeronaves. Revisan los constituye nuestra memoria.
niveles de vibración de sonido y alertas
tempranas de problemas en el motor. Actualmente existe una cantidad considerable
Biología: Mayor entendimiento del de datos experimentales para mostrar que el
funcionamiento del cerebro, obtención de cambio sináptico es una experiencia de forma
modelos de la retina. dependiente, y cada vez mas apuntan a estas
A nivel Administrativo: Identificaciones de modificaciones, elemento esencial para la
candidatos para posiciones específicas, memoria celular. Esto resulta ser un campo
optimización de plazas y horarios en líneas de fértil y un reto para la NeuroInformática. Las
vuelo, minería de datos Sinapsis es precisamente, el cruce de la
Reconocimiento de Patrones: En este sentido señalización eléctrica y química. Aunque hay
cabe mencionar hay que mencionar a Roberto una gran cantidad de modelos de la
Brunelli y Tomaso Poggio, [7] en su artículo señalización de la memoria, son pequeñas
“Face Recognition through Geometrical piezas del rompecabezas multidimensional.
Features “ los cuales comparan dos estrategias
utilizando una base de datos común sobre La memoria sináptica es uno de esos procesos
imágenes ubicadas de manera frontal de que no solo demanda de modelos de
rostros de personas tanto masculinas como señalización, pero los modelos multiescala que
femeninas, cada una con 2 pares de imágenes. abarcan las redes neuronales, biofísica celular,
A ellos se les debe el desarrollo e el cambio estructural, la síntesis de proteínas
implementación de dos algoritmos. El primero de señalización biomecánica, y la expresión
consiste en el área del cálculo de un conjunto génica. Algunos de estos dominios, como la
de características geométricas acerca de la señalización bioquímica están bien
fisonomía de la barbilla, además de tener en representados por las herramientas de
cuenta el ancho y alto de la nariz y boca; y en simulación y las normas SBML.
segundo lugar el otro aporte está basado en el
igualamiento de plantillas en niveles de grises. El autor presentó el modelado de la sinapsis a
Según Ellos reportaron haber obtenido un 90% través de escalas múltiples. Hay problemas
de reconocimiento usando características conceptuales aquí, debido a que están
geométricas y un reconocimiento perfecto fundamentalmente tratando de entender los
usando igualamiento de plantillas. pocos cambios que se presentan frente a la
estabilidad sináptica, siendo que este es un
5 ACTUALIDAD DE LAS REDES sistema que no solo se puede reprogramar por
NEURONALES sí mismo, sino además reconstruirse.
Hablar de la actualidad de las redes neuronales nos Otros reto a enfrentarse es el comportamiento
referimos a las nuevas tendencias que poco en nuestro de la estabilidad de la sinapsis a largo plazo
contexto son conocidas, en este apartado, frente a la estocasticidad biomecánica. Hay
mencionaremos algunas de ellas. acoplamientos interesantes en diferentes
niveles, donde los eventos eléctricos tienen
Según el “Abstract book” del tercer congreso mundial de efectos bioquímicos y viceversa, el autor
NeuroInformática celebrado entre los días 30 de Agosto sugiere que estos dos eventos se cruzan y es
a Septiembre 1º del año 2010 en Kobe, en donde se uno de las situaciones clave en la convergencia
presentaron un total de 150 ponencias y 28 de las herramientas de la NeuroInformática y de
Demostraciones se pueden destacar tres los principios que puede hacer una gran
investigaciones [8]: diferencia.
Multiscale models of the synapse: a self – A Layared description language for spiking
modifying memory machine: (Modelo neural networking modeling: (Una
Multescala de la Sinàpsis: una automodificación Descripción de un lenguaje pos capas para la
de la máquina de memoria) Investigación adición de modelado de redes neuronales).
enfocada en el campo de la Neurobiología, Ponencia presentada por Chung-Chuan Lo del
Neurociencia computacional y Sistemas Departamento de Biología Estructural y
biológicos, desarrollado por Upinder Bhalla bioinformática, de la Universidad Nacional
(India). Tsing Hua (Hsinchu, Taiwan).
El cerebro humano cuenta con
aproximadamente con 20000 genes, 100 mil Este científico planteó en su exposición el
millones de neuronas y alrededor de diseño de una herramienta de modelación de
redes neuronales basado en xml de forma que
7
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.
8
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.
8. REFERENCIAS