1. Redes neuronales artificiales.

Una red neuronal, segn Freman y Skapura [5], es un sistema de procesadores paralelos conectados entre s en forma de grafo dirigido. Esquemticamente cada elemento de procesamiento (neuronas) de la red se representa como un nodo. Estas conexiones establecen una estructura jerrquica que tratando de emular la fisiologa del cerebro busca nuevos modelos de procesamiento para solucionar problemas concretos del mundo real. Lo importante en el desarrollo de la tcnica de las RNA es su til comportamiento al aprender, reconocer y aplicar relaciones entre objetos y tramas de objetos propios del mundo real. En este sentido, se utilizan las RNA como una herramientas que podr utilizarse para resolver problemas difciles. La posibilidad de resolver problemas difciles es dable gracias a los principios de las redes neuronales, los cinco ms importantes son citados por Hilera y Martnez [6]. Estos son enunciados a continuacin: Aprendizaje adaptativo: Esta es quizs la caracterstica ms importante de las redes neuronales, pueden comportarse en funcin de un entrenamiento con una serie de ejemplos ilustrativos. De esta forma, no es necesario elaborar un modelo a priori, ni establecer funciones probabilsticas. Una red neuronal artificial es adaptativa porque puede modificarse constantemente con el fin de adaptarse a nuevas condiciones de trabajo. Autoorganizacin: Mientras que el aprendizaje es un proceso donde se modifica la informacin interna de la red neuronal artificial, la autoorganizacin consiste en la modificacin de la red completa con el fin de llevar a cabo un objetivo especfico. Autoorganizacin significa generalizacin, de esta forma una red puede responder a datos o situaciones que no ha experimentado antes, pero que puede inferir sobre la base de su entrenamiento. Esta caracterstica es muy til sobre todo cuando la informacin de entrada es poco clara o se encuentra incompleta. Tolerancia a fallos: En la computacin tradicional la prdida de un fragmento pequeo de informacin puede acarrear comnmente la inutilizacin del sistema. Las redes neuronales artificiales poseen una alta capacidad de tolerancia a fallos. Se entiende por ello que las redes pueden reconocer patrones de informacin con ruido, distorsin o incompletos, pero que, adems, pueden seguir trabajando aunque se destruya parte de la red (con cierta degradacin). La explicacin de este fenmeno se encuentra en que mientras la computacin tradicional almacena la informacin en espacios nicos, localizados y direccionables, las redes neuronales lo hacen de forma distribuida y con un alto grado de redundancia. Operacin en tiempo real: Las redes neuronales artificiales, de todos los mtodos existentes, son las ms indicadas para el reconocimiento de patrones en tiempo real, debido a que trabajan en paralelo actualizando todas sus instancias simultneamente. Es importante destacar que esta caracterstica solo se aprecia cuando se implementan redes con hardware especialmente diseados para el procesamiento paralelo. Fcil insercin en la tecnologa existente: Es relativamente sencillo obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello 1

facilita la integracin modular en los sistemas existentes. Al profundizar en los principios de las RNA y observar continuamente el trmino neurona no es de extraar que se piense por analoga en el cerebro humano, este hecho quizs se deba a que las RNA estn basadas en la inspiracin biolgica. El hombre posee cerca de 10 000 000 000 de neuronas masivamente interconectadas, la neurona es una clula especializada que puede propagar una seal electroqumica. Las neuronas tienen una estructura ramificada de entrada (las dendritas) y una estructura ramificada de salida (los axones). Los axones de una clula se conectan con las dendritas de otra, por va de la sinapsis la neurona se activa y excita una seal electroqumica a lo largo del axn. Esta seal transfiere la sinapsis a otras neuronas, las que a su vez pueden excitase. Las neuronas se excitan slo s la seal total recibida en el cuerpo de las clulas, por conducto de las dendritas, es superior a cierto nivel (umbral de excitacin) [11]. Las redes neuronales artificiales tratan de imitar este principio de funcionamiento cerebral. 1.2. Estructura de una red neuronal artificial. Las redes neuronales artificiales estn formadas por una gran cantidad de neuronas, estas no suelen denominarse neuronas artificiales sino nodos o unidades de salida. Un nodo o neurona cuenta con una cantidad variable de entradas que provienen del exterior (X1, X2, ......, Xm). A su vez dispone de una sola salida (Xj) que transmitir la informacin al exterior o hacia otras neuronas. Cada Xj o seal de salida tiene asociada una magnitud llamada peso este se calcular en funcin de las entradas, por lo cual cada una de ellas es afectada por un determinado peso (Wjo...Wjq+m) (13). Los pesos corresponden a la intensidad de los enlaces sinpticos entre neuronas y varan libremente en funcin del tiempo y en cada una de las neuronas que forman parte de la red. (Fig. 1).

El proceso de aprendizaje consiste en hallar los pesos que codifican los conocimientos. Una regla de aprendizaje hace variar el valor de los pesos de una red hasta que estos adoptan un valor constante, cuando esto ocurre se dice que la red ya "ha aprendido". [15] Al conectar varias neuronas de un determinado modo, se consigue una red. Existen 2

variaciones de topologas, que se clasifican segn tres criterios: 1) Nmero de niveles o capas. 2) Nmero de neuronas por nivel. 3) Formas de conexin. El diseo de una u otra tipologa depende del problema a solucionar por ejemplo para elaborar un programa de filtro digital en una computadora, se debe emplear un algoritmo en que todas las capas estn uniformemente interconectadas, o sea que todos los nodos de una capa estn conectados con los nodos de otra capa. En la Figura 2 se muestra la arquitectura de una RNA clsica con variables de entrada, dos capas de neuronas intermedias y una capa de salida. Todas ellas conectadas entre s.

Otro algoritmo de RNA es el que aparece en la Figura 3, en este ejemplo las neuronas se organizan en una tipologa de capas diferentes. Solo incluye una capa neuronal oculta, este algoritmo es muy elemental y es muy utilizado a nivel acadmico para la construccin y prueba de diferentes tipos de modelos de red.

Existe una gran variedad de modelos de redes neuronales estos dependen del objetivo para el cual fueron diseados y del problema prctico que solucionan. Hoy en da, su xito depende en, gran medida, del valor comercial que logren alcanzar sus aplicaciones. En 3

dependencia de ello unos sern ms populares que otros, entre los ms conocidos estn el Adaline/Madaline (utilizado en el diseo y realizacin de filtros, para llevar a cabo la eliminacin del ruido en seales portadoras de informacin, modems, etc.), el back propagation (utilizado en el proyecto de la mquina de escribir neural fontica) y el modelo de los mapas auto-organizados (Self-Organizing Map, SOM). Este ltimo es conocido como modelo de Kohonen por ser este su creador, un anlisis ms detallado de este modelo aparece en el acpite siguiente. 2. Modelo Kohonen Este modelo surge ante la curiosidad de Teuvo Kohonen, quien interesado en comprender la clasificacin natural que hace el cerebro en cuanto a su funcionalidad, ide el algoritmo SOM. Una definicin simplificada sobre los mapas topolgicos podra ser que, en una correspondencia que respecte la topologa, las unidades que se encuentran fsicamente prximas entre s van a responder a clase de vectores de entrada que, anlogamente, se encuentren cerca unos de otros. Los vectores de entrada de muchas dimensiones son representados sobre el mapa bidimensional, de tal manera que se mantenga el orden natural de los vectores de entrada. [3, 5, 9]. Estos mapas presentan la caracterstica de organizar la informacin de entrada, de entre un gran volumen de datos, clasificndola automticamente, esto permitir visualizar relaciones importante entre datos. Este modelo es muy til para establecer relaciones desconocidas previamente Este modelo de RNA es del tipo aprendizaje autoorganizado que como se explic con anterioridad es un proceso donde las neuronas aprenden mediante la autoorganizacin. Durante el proceso de aprendizaje, al ingresar un dato solo una neurona que tenga una actividad positiva dentro de la vecindad ser activada en la capa de salida. La arquitectura SOM se ha extendido a infinidad de aplicaciones, es por ello que este algoritmo y sus modelos se han automatizado para dar vida a varios software como son el informacin, el Viscovery ha sido validado tanto en estudios de mercado como anlisis financiero o proyecciones urbansticas. Actualmente est incursionando en el tratamiento de la informacin usando herramientas diseadas por la bibliometra. Bibliografa http://www.dynamics.unam.edu/DinamicaNoLineal/Articulos/MineriaDatos/Articulo03.pdf