Universidad Alas Peruanas

FIA

Escuela de Ingeniera de Sistemas e Informtica

Curso de Algoritmos

Desde la primera mitad del siglo XX se han empezado a desarrollar modelos computacionales que han intentado emular el comportamiento del cerebro humano. Aunque se han propuesto una gran cantidad de ellos, todos usan una estructura en red en la cual los nodos o neuronas son procesos numricos que involucran estados de otros nodos segn sus uniones. Una clase de estos modelos computacionales son las Redes de Neuronas Artificiales.

La clula nerviosa se denomina neurona. Hay neuronas bipolares, con dos prolongaciones de fibras y multipolares, con numerosas prolongaciones. Pueden ser neuronas sensoriales, motoras y de asociacin. Se estima que en cada milmetro del cerebro hay cerca de 50.000 neuronas

Neurona: base del funcionamiento del cerebro. Sistema de procesamiento cerebral de la informacin:
Complejo, No lineal y Paralelo.

Una red neuronal o un circuito neuronal es un conjunto de conexiones sinpticas ordenadas que se produce como resultado de la unin de las neuronas a otras

Una de las definiciones que se estima ms certera de Red de Neuronas Artificiales es la siguiente: Las redes neuronales son

conjuntos de elementos de clculo simples, usualmente adaptativos, interconectados masivamente en paralelo y con una organizacin jerrquica que le permite interactuar con algn sistema del mismo modo que lo hace el sistema nervioso biolgico''.

Son paradigmas de aprendizaje y procesamiento automtico inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas en una red que colabora para producir un estmulo de salida.

Los primeros modelos de redes neuronales datan de 1943 por los neurlogos McCulloch y Pitts. En 1958, Rosemblatt desarroll el perceptrn simple, y en 1960, Widrow y Hoff desarrollaron el ADALINE, que fue la primera aplicacin industrial real.

Los intentos por imitar el funcionamiento del cerebro han seguido la evolucin del estado de la tecnologa. Por ejemplo, al finalizar el siglo 19 se le compar con la operacin de la bomba hidrulica; durante la dcada de 1920 a 1930 se intent utilizar la teora de la conmutacin telefnica como punto de partida de un sistema de conocimiento similar al del cerebro. Entre 1940 y 1950 los cientficos comenzaron a pensar seriamente en las redes neuronales utilizando como concepto la nocin de que las neuronas del cerebro funcionan como interruptores digitales (on - off) de manera tambin similar al recin desarrollado computador digital. As nace la idea de "revolucin ciberntica" que maneja la analoga entre el cerebro y el computador digital.

En 1943 Walter Pitts junto a Bertran Russell y Warren McCulloch intentaron explicar el funcionamiento del cerebro humano, por medio de una red de clulas conectadas entre s, para experimentar ejecutando operaciones lgicas. Partiendo del menor suceso psquico (estimado por ellos): el impulso todo/nada, generado por una clula nerviosa.

El bucle "sentidos - cerebro - msculos", mediante la retroalimentacin produciran una reaccin positiva si los msculos reducen la diferencia entre una condicin percibida por los sentidos y un estado fsico impuesto por el cerebro. Tambin definieron la memoria como un conjunto de ondas que reverberan en un circuito cerrado de neuronas.

En 1949, seis aos despus de que McCulloch y Pitts mostraran sus Redes Neuronales, el fisilogo Donald O. Hebb) expuso que estas (las redes neuronales) podan aprender. Su propuesta tenia que ver con la conductividad de la sinpsis, es decir, con las conexiones entre neuronas. Hebb expuso que la repetida activacin de una neurona por otra a travs de una sinpsis determinada, aumenta su conductividad, y la hacia ms propensa a ser activada sucesivamente, induciendo a la formacin de un circuito de neuronas estrechamente conectadas entre s.

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 cul es la salida (respuesta) esperada. Auto organizacin: Una RNA crea su propia representacin de la informacin en su interior, descargando al usuario de esto. Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma redundante, sta puede seguir respondiendo de manera aceptable aun si se daa parcialmente. Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin de entrada, como seales con ruido u otros cambios en la entrada (por ejemplo si la informacin 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 electrnicos especiales, se pueden obtener respuestas en tiempo real.

Ambos codifican la informacin en impulsos digitales. Tanto el cerebro como la computadora tienen compuertas lgicas. Existen distintos tipos de memoria. Los dos tienen aproximadamente el mismo consumo de energa.

Las caractersticas de las RNA las hacen bastante apropiadas para aplicaciones en las que no se dispone a priori de un modelo identificable que pueda ser programado, pero se dispone de un conjunto bsico de ejemplos de entrada (previamente clasificados o no). Asimismo, son altamente robustas tanto al ruido como a la disfuncin de elementos concretos y son fcilmente paralelizables. Esto incluye problemas de clasificacin y reconocimiento de patrones de voz, imgenes, seales, etc. Asimismo se han utilizado para encontrar patrones de fraude econmico, hacer predicciones en el mercado financiero, hacer predicciones de tiempo atmosfrico, etc.

Tambin se pueden utilizar cuando no existen modelos matemticos precisos o algoritmos con complejidad razonable, por ejemplo la red de Kohonen ha sido aplicada con un xito ms que razonable al clsico problema del viajante (un problema para el que no se conoce solucin algortmica de complejidad polinmica).

Otro tipo especial de redes neuronales artificiales se ha aplicado en conjuncin con los algoritmos genticos (AG) para crear controladores para robots. La disciplina que trata la evolucin de redes neuronales mediante algoritmos genticos se denomina Robtica Evolutiva. En este tipo de aplicacin el genoma del AG lo constituyen los parmetros de la red (topologa, algoritmo de aprendizaje, funciones de activacin, etc.) y la adecuacin de la red viene dada por la adecuacin del comportamiento exhibido por el robot controlado (normalmente una simulacin de dicho comportamiento).

Las RNA han sido aplicadas a un nmero en aumento de problemas en la vida real y de considerable complejidad, donde su mayor ventaja es en la solucin de problemas que son bastante complejos para la tecnologa actual, tratndose de problemas que no tienen una solucin algortmica o cuya solucin algortmica es demasiado compleja para ser encontrada.

En general, debido a que son parecidas a las del cerebro humano, las RNA son bien nombradas ya que son buenas para resolver problemas que el humano puede resolver pero las computadoras no. Estos problemas incluyen el reconocimiento de patrones y la prediccin del tiempo. De cualquier forma, el humano tiene capacidad para el reconocimiento de patrones, pero la capacidad de las redes neuronales no se ve afectada por la fatiga, condiciones de trabajo, estado emocional, y compensaciones.

Se conocen cinco aplicaciones tecnolgicas extendidas: Reconocimiento de textos manuscritos Reconocimiento del habla Simulacin de centrales de produccin de energa Deteccin de explosivos Identificacin de blancos de radares