Redes Neuronales
|
Para empezar a hablar
acerca de redes neuronales, primero debemos tener en cuenta dos
conceptos, cual es la definición de una red neuronal y cuales son los
tipos de redes neuronales que hasta hoy conocemos.
Comencemos por citar
algunas definiciones:
Estudio de Redes
Neuronales de DARPA (1988, AFCEAInternational Press, p. 60):
"Una red neuronal es un sistema compuesto de muchos elementos procesadores simples operando en paralelo, cuya función es determinada por la estructura de la red, fuerza en las conexiones y el procesamiento realizado por los elementos computacionales en los nodos."
Ya teniendo una breve
percepción de lo que es una red neuronal debemos ahora saber que
existen dos tipos de redes neuronales, las redes neuronales biológicas
y las redes neuronales artificiales ANN (Artificial Neural Network).
REDES NEURONALES
BIOLÓGICAS.
Son el principal elemento
del Sistema Nervioso. Las redes neuronales biológicas están compuestas
por un gran número de elementos llamados neuronas. Una neurona es una
célula compuesta por cuerpo, un número de extensiones llamadas
dendritas, que sirven de entradas, y una larga extensión llamada axón
que actúa como salida. La sinapsis conecta el axón de una neurona a
las dendritas de las otras neuronas. Las neuronas están dispuestas en
capas. En general las neuronas de una capa reciben entradas desde otra
capa y envían sus salidas a neuronas de una tercera. Dependiendo de la
aplicación también es posible que las neuronas de una capa reciban
entradas y provean salidas a neuronas
de la misma capa.
Las conexiones entre
neuronas tienen pesos asociados que representan la influencia de una
sobre la otra. Si dos neuronas no están conectadas, el correspondiente
peso de enlace es cero. Esencialmente, cada una envía su información
de estado multiplicado por el correspondiente peso a todas las neuronas
conectadas con ella. Luego cada una, a su vez, suma los valores
recibidos desde sus dendritas para actualizar sus estados respectivos.
Se emplea normalmente un
conjunto de ejemplos representativos de la transformación deseada para
"entrenar" el sistema, que, a su vez, se adapta para producir
las salidas deseadas cuando se lo evalúa con las entradas
"aprendidas".
Además se producirán
respuestas cuando, en la utilización, se presenten entradas totalmente
nuevas para sistema, esto es durante el modo entrenamiento la
información sobre el sistema a resolver es almacenada dentro del ANN y
la red utiliza su modo productivo en ejecutar transformaciones y
aprender. De este modo el sistema de red neuronal no reside
necesariamente en la elegancia de la solución particular sino en su
generalidad de hallar solución a problemas particulares, habiéndose
proporcionado ejemplos del comportamiento deseado. Esto permite la
evolución de los sistemas autómatas sin una reprogramación
explícita.
Las redes neuronales
artificiales se basan en el circuito de procesamiento de entradas en el
cual los pesos son sumados. Las funciones de peso serán llamadas desde
ahora como atenuadores. En la implementación, las entradas a una
neurona son pesadas multiplicando el valor de la entrada por un factor
que es menor o igual a uno. El valor de los factores de peso es
determinado por el algoritmo de aprendizaje.
Las entradas atenuadas
son sumadas usando una función no lineal llamada Función "Sigmoid".
Si la salida de la función suma excede el valor de entrada máximo de
la neurona, esta responde generando una salida.
REDES NEURONALES
ARTIFICIALES.
Las redes neuronales
artificiales (ANN) imitan su funcionamiento a aquellas que se encuentran
en el ámbito biológico. Son aptas para resolver problemas que no
poseen un algoritmo claramente definido para transformar una entrada en
una salida; aprenden, reconocen y aplican relaciones entre objetos.
Se emplea normalmente un
conjunto de ejemplos representativos de la transformación deseada para
"entrenar" el sistema, que, a su vez, se adapta para producir
las salidas deseadas cuando se lo evalúa con las entradas
"aprendidas".
Además se producirán
respuestas cuando, en la utilización, se presenten entradas totalmente
nuevas para sistema, esto es durante el modo entrenamiento la
información sobre el sistema a resolver es almacenada dentro del ANN y
la red utiliza su modo productivo en ejecutar transformaciones y
aprender. De este modo el sistema de red neuronal no reside
necesariamente en la elegancia de la solución particular sino en su
generalidad de hallar solución a problemas particulares, habiéndose
proporcionado ejemplos del comportamiento deseado. Esto permite la
evolución de los sistemas autómatas sin una reprogramación
explícita.
Las redes neuronales
artificiales se basan en el circuito de procesamiento de entradas en el
cual los pesos son sumados. Las funciones de peso serán llamadas desde
ahora como atenuadores. En la implementación, las entradas a una
neurona son pesadas multiplicando el valor de la entrada por un factor
que es menor o igual a uno. El valor de los factores de peso es
determinado por el algoritmo de aprendizaje.
Las entradas atenuadas
son sumadas usando una función no lineal llamada Función "Sigmoid".
Si la salida de la función suma excede el valor de entrada máximo de
la neurona, esta responde generando una salida.
En la figura podemos ver
un modelo en capas de una red neuronal artificial, que consiste de un
conjunto de neuronas.
Cada neurona tiene varias
entradas y su salida esta conectada a un conjunto de otros procesadores
de entradas.
Cuando una ANN funciona
en modo normal, a partir de los datos presentados en la entrada, se
genera un patrón específico de salida. La relación Entrada/Salida
será determinada durante el modo entrenamiento, entonces cuando una
entrada conocida es presentada da la salida esperada.
El algoritmo de
entrenamiento ajusta los pesos de las entradas hasta que se alcanza la
salida esperada.
Las neuronas en la figura
tienen una leve complejidad computacional, porque solo se comunican con
las neuronas más cercanas conectándose de forma simple. Por las
características y capacidades que ofrece la tecnología VLSI es posible
(en costos) construir una Red Neuronal con muchos procesadores.
|
