Вы находитесь на странице: 1из 9

Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras

REDES NEURONALES: UNA REVISIÓN DEL ESTADO DEL ARTE,


APLICACIONES Y TENDENCIAS FUTURAS
Edwin Campbells Sánchez
e-mail: ecampbells@hotmail.com
Ernesto Varela Arregocés
e-mail: evarelabqcol@hotmail.com
Maestría en Ingeniería de Sistemas
Universidad Simón Bolívar

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.

ABSTRACT: In this article gives a general description


of the artificial neural network (ANN). Mention the 2 ANTECEDENTES HISTÓRICOS
historical background, characteristics, classification,
advantages, disadvantages and is more emphasis on
La consecución, el diseño y la construcción de máquinas
current applications and future trends.
capaces de realizar procesos con cierta inteligencia ha
sido uno de los principales objetivos de los científicos a
PALABRAS CLAVE: Redes neuronales artificiales, lo largo de la historia, ya que en un principio los
inteligencia computacional, patrones. esfuerzos estuvieron dirigidos a la obtención de
autómatas, cuya función era la realización de algunas
1 INTRODUCCIÓN funciones típicas de los seres humanos, con alta
probabilidad de éxito. De los intentos realizados en este
En su afán de mejorar sus condiciones de vida, el ser sentido se ha llegado a definir las líneas fundamentales
humano ha optado por la creación de aparatos, para la obtención de máquinas inteligentes y es asi
haciendo que la fuerza física pase a un segundo plano, y como actualmente los estudios siguen esta misma línea,
procesos tecnificados que anteriormente disponían de con resultados sorprendentes, evidenciados en la
mucho tiempo para hacerlo de manera óptima. existencia de diferentes maneras de realizar procesos
similares a los inteligentes y que podemos clasificar
De acuerdo con lo anterior, la creación de las dentro de la llamada Inteligencia Artificial (IA).
computadoras, ha hecho que el avance tecnológico
tenga un crecimiento vertiginoso, mediante la resolución Sin embargo existe un enorme problema que limita los
de problemas de manera algorítmica tradicional es resultados que se pueden obtener a pesar de disponer
decir, programación top – down, bases de datos, de herramientas y lenguajes de programación diseñados
programación orientada a objetos y eventos, etc, sin expresamente para el desarrollo de máquinas
embargo, existen algunos de estos problemas que para inteligentes, ya estas máquinas se implementan sobre
resolverlos implican un cambio de paradigma, por computadoras basadas en la filosofía de Von Neumann,
ejemplo: si se desea descubrir similitudes en objetos que y se apoyan en una descripción secuencial del proceso
se van a clasificar, analizar patrones, reconocer de de tratamiento de la información. Si bien el desarrollo de
imágenes, entre otras, para ello, se hace necesario estas computadoras es espectacular, no deja de seguir
visualizar soluciones de una manera no convencional. la línea antes expuesta como en el caso de una máquina
que es capaz de realizar tareas mecánicas de forma
Los científicos en su afán de resolver situaciones como increíblemente rápida, como cálculo, ordenación o
la anterior, han estudiado las capacidades humanas control, pero a su vez es incapaz de obtener resultados
cerebrales, siendo ésta la base para la creación de aceptables cuando se trata de tareas como
nuevas máquinas por ello la inteligencia computacional reconocimiento de formas, voz, etc.
se ha preocupado por imitar algunos de estos
comportamientos de tipo biológico lo cual llevó a que se Por otra parte, otra línea de la investigación ha tratado
desarrollaran técnicas tales como las redes neuronales, de aplicar principios físicos que rigen en la naturaleza
algoritmos genéticos, y la lógica difusa entre otros, que para obtener máquinas que realicen trabajos complejos
también han sido adaptados a dispositivos electrónicos. en nuestro lugar. De igual manera se puede pensar
respecto a la forma y capacidad de razonamiento
De esta manera, el objetivo de las redes neuronales, no humano; se puede intentar obtener máquinas con esta
es resolver problemas complejos como secuencia de capacidad basadas en el mismo principio de
pasos, sino como la evolución de un sistema funcionamiento.

1
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.

procesamiento de la información se genera el


No se trata de construir máquinas que compitan con los mecanismo básico de la memoria.
seres humanos, sino que realicen ciertas tareas de
rango intelectual para ayudarle, principio básico de la
Inteligencia Artificial.

Si miramos biológicamente una neurona Según María


Villanueva en su monografía titulada: “Las Redes
Neuronales Artificiales y su importancia como
herramienta para la toma de decisiones” [1] comenta
que el sistema nervioso está conformado por una red de
células (neuronas), ampliamente interconectadas entre
sí. En las neuronas, la información fluye desde las
dendritas hasta el axón, atravesando el soma. Se estima
que el sistema nervioso tiene cien mil millones de
neuronas.

Figura 1. Partes de una Neurona. Tomado de :


http://comopodemoshaceresto.blogspot.com/2010/08/sis
tema-nervioso.html
Figura 2. Sinapsis Neuronal. Tomado de:
http://biomepedia.wikispaces.com/file/view/dentritas-y-
En torno al funcionamiento se describen los canales de
neuronas.jpg/152193607/dentritas-y-neuronas.jpg
entrada o dendritas, el órgano de cómputo o soma y el
canal de salida o axón. Existen otras neuronas
Esta explicación biológica fue la que sirvió de inspiración
especializadas que son las interneuronas que llevan la
a muchos científicos a lo largo de la historia como lo
información que cumplen funciones de comunicación
menciona Ulises Román Concha en su Artículo “Redes
entre otras neuronas, existen las que llevan la
Neuronales y lo Autoreferencia al ser humano” [2] los
información directamente al músculo llamadas neuronas
principales acontecimientos históricos relacionados con
motoras, y están las receptoras-sensoras que son las
las redes neuronales son:
que reciben la información directamente del exterior. Se
calcula aproximadamente que una neurona se
intercomunica con otras 10000 neuronas y envía
 Walter Pitts y Warren McCulloch intentaron
impulsos a varios cientos de ellas.
explicar en 1943 el funcionamiento del cerebro
humano, por medio de una red de células
conectadas entre sí que podían ejecutar
A nivel cerebral se observa una organización horizontal
operaciones lógicas.
en capas y una vertical en forma de columnas, además
hay unas funciones específicas para cada grupo de ellas  En 1949, el fisiólogo Donald Hebb expuso en su
y están ubicas en zonas particulares del cerebro y todos libro The Organization of Behavior la conocida
los subsistemas conforman el encéfalo. regla de aprendizaje. Su propuesta tenía que
ver con la conductividad de la sinapsis, es
La unión de 2 neuronas o más recibe el nombre de decir, con las conexiones entre neuronas.
sinapsis, que es direccional, es decir en un solo sentido.  En 1951, Minsky y Edmons montaron la primera
Cada neurona recibe impulsos eléctricos de otras a máquina de redes neuronales, compuesta
través de las dendritas y estas se conectan a las salidas básicamente de 300 tubos de vacio y un piloto
de otras para producir la sinapsis (ver figura 2), esta automático de un bombardero B-24 (en
altera la efectividad de la señal transmitida debido a un desuso). Llamaron a su creación “Sharc”, se
parámetro, el peso. El aprendizaje es el resultado de la trataba nada menos que de una red de 40
modificación de estos pesos y junto con el neuronas artificiales que imitaban el cerebro de
una rata.

2
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.

 En 1957, Frank Rosenblatt presentó al


Perceptrón, una red neuronal con aprendizaje Los componentes principales del funcionamiento de una
supervisado cuya regla de aprendizaje era una red neuronal son:
regla planteada por Hebb.
 En 1969 Marvin Minsky y Seymour Paper  Un conjunto de unidades de procesamiento
escribieron un libro llamado Perceptrons, en (neuronas);
donde definían a estos como caminos sin  Un estado de activación (variable de estado);
salida.  Una función de salida para cada unidad;
 En los años 60 se propusieron otros 2 modelos  Un conjunto de conexiones (patrón de
también supervisados, basados en el conectividad);
Perceptrón de Rosenblatt denominados Adaline  Un conjunto de reglas de propagación para
y Madaline. En estos, la adaptación de los propagar las señales de salida a través de la
pesos se realiza teniendo en cuenta el error, RNA.
calculando como la diferencia entre la salida  Una regla de combinación;
deseada y la dada por la red, al igual que en el  Una regla de activación;
Perceptrón. Sin embargo, la regla de  Una regla de modificación;
aprendizaje empleada es distinta.  Un ambiente en el cual opera la RNA
 En los 70 las redes neuronales artificiales surge
con la técnica de aprendizaje de propagación
hacia atrás o Backpropagation.
 En 1977, James Anderson desarrolló un
modelo lineal, llamado asociador lineal, que
consistía en unos elementos integradores
lineales (neuronas) que sumaban sus entradas.
 En 1982 John Hopfield presentó un trabajo
sobre redes neuronales en la Academia
Nacional de las Ciencias, en el cual describe
con claridad y rigor matemático una red a la
que ha dado su nombre, que viene a ser una
variación del Asociador Lineal. En este mismo
año la empresa Fujitsu comenzó el desarrollo
de computadores pensantes para aplicaciones
en Robótica.
 En 1985, el Instituto Americano de Física Figura 3. Neurona Artificial. Tomado de:
comenzó la “Anual Networks for Computing”. http://advancedtech.wordpress.com/2007/08/24/redes-
 En 1987 la IEEE celebró su primera neuronales-artificiales-2/
conferencia internacional sobre redes
neuronales. En este mismo año se formó la 3.2. ARQUITECTURA DE UNA RED
International Neural Network Society (INNS)
NEURONAL ARTIFICIAL
bajo la iniciativa y dirección de Grossberg en
USA, Kohonen en Finlandia y Amari en Japón.
Según Marcos de Armas en su libro “Fundamentos
 En 1987 se crea la Sociedad Europea de
básicos de Inteligencia Artificial” [3]. Las RNA están
Redes Neuronales y la “Neural Information
compuestas por muchos elementos sencillos
Processing Systems” reunión que se celebra
denominados Neuronas que operan en paralelo y son
anualmente en Denver Colorado.
diseñadas para mostrar una función particular mediante
 En 1988, resultó la unión de la IEEE y la INNS el ajuste de los valores de peso de las conexiones,
que produjo la “International Joint Conference que actúan con determinada polarización , conocida
on Neural Networks” que realizó 430 artículos como “bias”, sobre la función de activación . Así se
de los cuales 63 estaban enfocados a una
obtiene la salida adecuada en respuesta a la señal de
aplicación.
entrada recibida. El diseño de una red neuronal está
determinado por las conexiones entre sus neuronas, (ver
3 CONCEPTUALIZACION figuras, 1 y 3) En la Neurona biológica se observa que la
información llega a las dendritas, esta es evaluada por el
3.1. RED NEURONAL ARTIFICIAL (RNA) núcleo, pasa el por axón y la transmite a otras células.

En una Neurona artificial las entradas representan


Una red neuronal artificial (ANN en Inglés ó RNA en vectores o señales provenientes de exterior, son
español) consiste en unidades de procesamiento capturadas de otras neuronas. Los pesos
interconectadas de manera densa, llamadas neuronas, representan la intensidad de la sinapsis, tanto , como
por tener un comportamiento similar al de las neuronas son valores escalares. A esta señal ponderada se le
biológicas. Las Unidades de procesamiento reciben y adiciona el “bias” y se obtiene una entrada total que
procesan y transmiten señales, tal como las neuronas actúa sobre el núcleo de la neurona para activarla. es
biológicas. la función umbral o de transferencia, que evaluada para

3
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.

esta entrada total , produce la respuesta de la neurona neuronales de responder apropiadamente


al estímulo recibido en forma similar como ocurre en las cuando se les presentan datos o situaciones a
células nerviosas biológicas. En términos matemáticos
las que no había sido expuesta anteriormente.
este proceso se presenta de forma sencilla como:
El sistema puede generalizar la entrada para
obtener una respuesta. Esta característica es
muy importante cuando se tiene que solucionar
Tanto el vector de pesos como el “bias” b son problemas en los cuales la información de
parámetros escalares ajustables de la neurona. La idea entrada no es muy clara; además permite que
central de una red neuronal es que estos parámetros el sistema dé una solución, incluso cuando la
puedan ser ajustados de forma tal que la red reproduzca
información de entrada está especificada de
el comportamiento observado. El entrenamiento es
precisamente eso; un proceso de ajuste de los forma incompleta.
parámetros en la red para que pueda realizar un trabajo
en particular. Debe conocerse además, que existe la
posibilidad de que la propia red los ajuste para cumplir  Operación en tiempo real: Las operaciones
sus obligaciones. realizadas pueden ser llevadas a cabo por
computadores paralelos, o dispositivos de
hardware especiales que aprovechan esta
3.3. VENTAJAS DE LAS RNA capacidad.

 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.

 La función del diseñador es únicamente la


obtención de la arquitectura apropiada. No
es problema del diseñador el cómo la red
aprenderá a discriminar. Sin embargo, sí es
necesario que desarrolle un buen algoritmo de
aprendizaje que le proporcione a la red la
capacidad de discriminar, mediante un
entrenamiento con patrones.

3.4. DESVENTAJAS DE LAS RNA


No son muchas las desventajas de las RNA, al menos
Figura 4. Clasificación de las Redes Neuronales según
desde el punto de vista del software o de los lenguajes
su Naturaleza
computacionales, pero si a nivel de Hardware. La
capacidad de las redes neuronales radica en su
habilidad de procesar información en paralelo (esto es,
procesar múltiples pedazos de datos simultáneamente).
Desafortunadamente, las máquinas hoy en día son en
serie - sólo ejecutan una instrucción a la vez. Por ello,

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
.

se estandarizara el lenguaje a la hora de ser 6. El FUTURO DE LAS REDES


replicado por la comunidad científica, este
lenguaje recibe el nombre de NineML y tiene 3 NEURONALES ARTIFICIALES
ventajas importantes a destacar:
a) Es manejado por capas (del usuario y de Las redes neuronales alcanzan cada vez mayor auge,
la abstracción). Las capas de usuario teniendo multitud de aplicaciones en campos diversos y
basadas en XML proporcionan la sintaxis dando soluciones sencillas a problemas cuya resolución
para especificar la creación de instancias y resulta complicada cuando se emplean máquinas
parametrización de un modelo de red en algorítmicas. Aún así, el futuro de las redes neuronales
términos biológicos. La capa de no está todavía claro y será en los próximos años
abstracción proporciona explícitamente las cuando se determine su evolución. Sin embargo y
descripciones de los conceptos básicos, aunque suena a ciencia ficción
las matemáticas, las variables del modelo y
las normas estatales de actualización. .
b) Completamente coherente: Todos los Las redes neuronales podrán en el futuro permitir:
conceptos del modelado definido en la
capa de usuario se expresan  Robots que pueden ver, sentir, oler y percibir el
explícitamente en la capa de abstracción mundo que los rodea (De hecho ya existe algo
de modo que un modelo de red neuronal llamado Computación afectiva).
puede estar sin ambigüedades a la hora de  Predicción de valores e implementación en
su implementación por un software que es vehículos para la auto - conducción.
totalmente compatible con NineML.  Composición de música y documentos escritos
c) Fácilmente ampliable: futuras (obras literarias).
ampliaciones se tienen en cuenta en el  La comprensión de la información en el
desarrollo de NineML. Por lo tanto pueden Genoma Humano.
agregarse modelos que antes no era  Autodiagnóstico medico por medio de redes
posible agregarlo a la versión actual de neuronales.
NineML sin ningún tipo de modificación  Y mucho más…
sustancial indistintamente el idioma.

El uso de NineML, los investigadores podrán


describir su modelo de red neuronal en un 7. CONCLUSIONES
simulador sin ningún tipo de inconvenientes. Se
cree que este proyecto generará impactos
profundos en la comunidad científica y facilitará El mundo de la informática tiene mucho que ganar con
la investigación en neurociencias. las redes neuranales. Su capacidad para aprender por
ejemplo, hace que sean extremadamente flexibles y
 An algorithm for finding candidate synaptic adaptables a un sin número de aplicaciones,
sites in computer generated networks of convirtiéndolas en una herramienta potente. Cabe
neurons with realistic morphologies destacar que no se hace necesario elaborar un algoritmo
(Un algoritmo para encontrar los sitios para realizar una tarea específica, es decir, no es
candidatos sinápticos en computadoras en necesario conocer los mecanismos internos del
redes de neuronas generadas con morfología problema.
realistica. Ponencia presentada por: Jaan Van
Pelt et al del Departamento Integrado de Las redes neuronales también son adecuadas para los
Neurofisiología de la Universidad VU de sistemas en tiempo real, por las características de su
Amsterdam, de Amsterdam Holanda.) arquitectura en paralelo, permitiendo así ejecutar
cálculos a una gran velocidad y a sus tiempos de
En esta ponencia se habló sobre las neuronas respuesta.
hacen conexiones sinápticas en lugares donde
los axones y dendritas están lo suficientemente Las redes neuronales contribuyen también a otras áreas
cerca en el espacio. Típicamente la proximidad de investigación tales como la neurología y la psicología
requerida está basada en el tamaño de las que se utilizan regularmente para modelar partes de los
dendirtas y del largo del Axón. Basado en este organismos vivos y para investigar igualmente los
principio se puede realizar la búsqueda de mecanismos del cerebro.
estas posiciones dentro de la red formada por
neuronas reconstruidas o neuronas Por último, hay científicos que afirman que la conciencia
reconstruidas por computador. Entonces el podrá ser modelada en un futuro no lejano y que esta
candidato a la sinapsis están ubicados donde será una de las propiedades de las redes
las ramas dendríticas y axonales están neuronales…para discutir.
comprendidas en cierto criterio de distancia una
de la otra. Este estudio desarrolló el algoritmo
que encuentra esta distancia

8
Redes Neuronales: Una revisión del estado del arte, Aplicaciones y Tendencias futuras
.

8. REFERENCIAS

[1] M. Villanueva Espinosa, ”Las redes neuronales


artificiales y su importancia como herramienta en la
toma de decisiones ”, Tesis publicada en 2002 Perú.
Trabajo revisado en
http://sisbib.unmsm.edu.pe/Bibvirtual/tesis/Basic/Villa
nueva_EM/villanueva_em.htm.

[2] U. Román Concha, “Redes Neuronales y la


Autoreferencia al Ser Humano”, 2003. Artículo
extraído el 25 de Marzo de 2011 desde:
http://sisbib.unmsm.edu.pe/BibVirtualdata/publicacion
es/risi/n1_2003/a01.pdf

[3] De Armas Teyra M.. “Fundamentos básicos de


Inteligencia Artificial con Matlab”. 1ª. Edición.Editorial
Universitaria de la Costa. Pags. 152-153.2009.

[4] Flórez A. y Gómez E. “Las redes neuronales


celulares y su aplicación en el procesamiento de
imágenes utilizando matlab”, (1999). Artículo extraido
el 27 de marzo de 2011 desde:
http://www.ci.ulsa.mx/~egr/papers/Tutorialrna.pdf

[5] López E. “Cellular Neural Networks”, (2004). Artículo


extraido el 28 de Marzo de 2011 desde:
http://www.inca.inf.utfsm.cl/~Erick/downloads/CNN.p
df

[6] “Articial Neural Networks”, (2009). Artículo extraido el


29 de Marzo de 2011 desde:
http://www.101seminartopics.com/wp-
content/uploads/2009/07/27ARTIFICIAL-NEURAL-
NETWORKS.pdf

[7] Brunelli R. y Poggio T. “Face Recognition through


Geometrical Features”, (2000). Springer Verlag
Cambridge, Massachusets. USA.

[8] Flórez A. y Gómez E. “Neuroinformatics 2010, 3rd


INCF Congress of Neuoroinformatics”, (2010). Libro
electrónico extraido el 28 de marzo de 2011 desde:
http://www.neuroinformatics2010.org/images/Neuroin
formatics2010_AbstractBook_web%20-2.pdf