Ordenadores nerviosos

Las redes neuronales artificiales no son mas que un procesamiento inspirado en el funcionamiento de las neuronas, del sistema nervioso animal, inspirado en nuestro sistema nervioso. Es un sistema de interconexión de neuronas en una red cuyo fin es producir un estímulo de salida, una respuesta. Nuestro sistema nervioso tiene un funcionamiento simple, el impulso nervioso dentro de las neuronas se transmite mediante la bomba sodio/potasio, esto es, una simple molécula que varía la carga eléctrica de las neuronas, intercambiando átomos de sodio por átomos de potasio para que pase el estímulo, es decir, para que puedas mover el brazo, y después, esta molécula vuelve a poner todo en su sitio, los sodios vuelven a donde estaban y los potasios también y el intercambio de información entre neuronas se realiza mediante sinapsis eléctrica si hay contacto entre las neuronas, o química si no hay contacto entre las neuronas, es decir, si entre las neuronas hay un pequeño espacio, el pase de información se llama sinapsis química y si no hay ningún espacio entre las neuronas, se tocan entre ellas, el pase de información es con la bomba sodio/potasio. Todo esto ocurre porque hay excitación, se produce un cambio de potencial por la bomba sodio/potasio, lo mismo que antes, se cambian los sodios por los potasios, y en las redes neuronales artificiales pasa lo mismo, las neuronas están dispuestas en capas, y las conexiones entre ellas tienen un determinado peso sináptico, es como la importancia del estímulo, de la información enviada, por lo que la una neurona dará más importancia a una información con más peso sináptico que otra.

W2>W3) convergen sobre la misma neurona Y." height="128" width="462">

Procesar la información consiste en una función (f) que opera con los valores recibidos de la capa anterior (X_i generalmente 0 o 1) sin dejar de tener en cuenta el peso sináptico de la conexión anterior (W_i) , Aquí tenemos un ejemplo de la función:

si el resultado de la función es mayor que un valor en concreto, denominado el valor umbral, la neurona se activa y emite una señal (1), sin embargo si el resultado es menor que ese valor concreto la neurona permanece inactiva (0)y no envía ninguna señal(f).

Inactivación <--> Y = 0" height="24" width="366"> U <--> Activación <--> Y = 1" height="24" width="353">
Por tanto un estímulo en una red neuronal artificial sería el conjunto de ceros y unos recopilados a lo largo de la transmisión de la información.

Estructura

Viendo el parecido que tiene una RNA a un cerebro humano, en terminos de estructura es muy diferente a la de un cerebro animal. Una RNA se compone de un conjunto masívamente paralelo de unidades de proceso muy simples y es en las conexiones entre estas unidades donde se encuentra la inteligencia de esta red. Sin embargo, un cerebro es mucho mas grande que una red neuronal artificial en este momento, y en el campo de las neuronas, las artificiales también son más simples y pequeñas que las de un cerebro biológico.

El método de aprendizaje de un cerebro animal es la r

eorganización de las conexiones sinápticas (unión intercelular especializada entre neuronas en los que se lleva a cabo la transmisión del impulso nervioso) entre las neuronas que lo componen. De la misma manera, las RNA tienen un gran número de procesadores virtuales interconectados que de forma simplificada simulan la funcionalidad de las neuronas biológicas. En esta simulación, la reorganización de las conexiones sinápticas biológicas se modela mediante un mecanismo de pesos, que son ajustados durante la fase de aprendizaje. En una RNA entrenada, el conjunto de los pesos determina el conocimiento de esa red neuronal, y ya tiene la propiedad de resolver el problema para el que la RNA ha sido entrenada.

Por otra parte, en una RNA, además de los pesos y las conexiones, cada neurona tiene asociada una función matemática denominada función de transferencia. Esta función genera la señal de salida de la neurona a partir de las señales de entrada. La entrada de la función es la suma de todas las señales de entrada por el peso asociado a la conexión de entrada de la señal.

Aprendizaje

Se puede hacer una clasificación de que se suele hacer en función del tipo de aprendizaje de que es capaz (si necesita o no un conjunto de entrenamiento supervisado). Para cada tipo de aprendizaje encontramos varios modelos:

• Aprendizaje supervisado: necesitan un conjunto de datos de entrada previamente clasificado o cuya respuesta objetivo se conoce.

• Aprendizaje no supervisado o autoorganizado: no necesitan de tal conjunto previo.

• Redes híbridas: son un enfoque mixto en el que se utiliza una función de mejora para facilitar la convergencia.

• Aprendizaje reforzado: se sitúa a medio camino entre el supervisado y el autoorganizado.

Ventajas

Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadas en la estructura del sistema nervioso, principalmente el cerebro.

• Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida (respuesta) esperada.

• Auto organización: Una RNA crea su propia representación de la información en su interior, descargando al usuario de esto.

• Tolerancia a fallos: Debido a que una RNA almacena la información de forma redundante, ésta puede seguir respondiendo de manera aceptable aun si se daña parcialmente.

• Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada (por ejemplo si la información de entrada es la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente).

• Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras o en dispositivos electronicos especiales, se pueden obtener respuestas en tiempo real.

Aplicaciones de las Redes Neuronales

Las redes neuronales son una tecnología computacional emergente que puede utilizarse en un gran número y variedad de aplicacione, tanto como comerciales como militares.

Hay muchos tipos diferentes de redes neuronales, cada uno de los cuales tiene un aplicación particular más apropiada. Separandolas según las distintas disciplinas algunos ejemplos de sus aplicaciones son:

Biología:

Aprender más acerca del cerebro y otros sistemas.

Obtención de modelos de la retina.

Empresa

Reconocimiento de caracteres escritos.

Identificación de candidatos para posiciones específicas.

Optimización de plazas y horarios en líneas de vuelo.

Explotación de bases de datos.

Evaluación de probabilidad de formaciones geológicas y petrolíferas.

Sintesís de voz desde texto.

Medio Ambiente

Analizar tendencias y patrones.

Previsión del tiempo.

Finanzas

Previsión de la evolución de los prescios.

Valoración del riesgos de los créditos.

Identificación de falsificaciones.

Interpretación de firmas.

Manufacturación

Robots automatizados y sistemas de control (visión artificial y sensores de presión, temperatura, gas, etc.)

Control de producción en líneas de proceso.

Inspección de calidad.

Filtrado de señales.

Medicina

Analizadores del habla para la ayuda de audición de sordos profundos.

Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos (encefalograma, etc.).

Monitorización en cirugía.

Predicción de reacciones adversas a los medicamentos.

Lectoras de Rayos X.

Entendimiento de causa de ataques epilépticos.

Militares

Clasificación de las señales de radar .

Creación de armas inteligentes.

Optimización del uso de recursos escasos.