Redes Neuronales Artificiales (RNAs): Fundamentos y Aplicaciones

Redes Neuronales Artificiales (RNAs)

Fundamentos

Las RNAs pueden calcular cualquier función lógica usando una red de dos niveles AND-OR. Las redes neuronales biológicas funcionan mediante señales excitatorias (+) e inhibitorias (-) que son recibidas por una neurona y combinadas. En función de la estimulación total recibida, la neurona toma un cierto nivel de activación, que se traduce en la generación de breves impulsos nerviosos con una determinada frecuencia o tasa de disparo.

La esencia de las ANNs (Artificial Neural Networks) consiste en el uso de un gran número de elementos de computación no lineales llamados neuronas (perceptrones), organizados en redes de la misma manera en la que pensamos que están interconectadas las neuronas en el cerebro. Estos modelos reciben varios nombres, pero el más extendido es el de Redes Neuronales Artificiales (RNAs ó ANNs).

Las RNAs nos permiten obtener los coeficientes de las superficies de separación entre clases mediante un proceso de entrenamiento a través de la presentación de patrones de cada clase.

El Perceptrón

W. McCulloch (Filósofo, Neuropsicólogo y Cibernético) y W. Pitts (Lógico, Psicología Cognitiva) desarrollaron el perceptrón para dos clases de patrones. En su forma más simple, el perceptrón aprende una función de decisión lineal que separa dos conjuntos de entrenamiento linealmente separables. La respuesta de este dispositivo depende de la suma ponderada de sus entradas:

x ∈ a la clase W₁ . x ∈ a la clase W₂

Estas entradas son equivalentes a las sinapsis (que tienen excitación + ó – y variable). Una función de activación convierte la salida de la sumatoria en la salida final. La frontera de decisión calculada por el perceptrón será la sumatoria, que es la ecuación de un hiperplano en un espacio de dimensión n.

La red reconoce al patrón x como perteneciente a W_M si la M-sima salida de la red está activada (1), mientras que las restantes salidas están desactivadas (0). El problema clave consiste en calcular w utilizando un conjunto de entrenamiento de patrones vectoriales de cada una de las dos clases.

Características de las Redes Neuronales

• Aprendizaje inductivo
• Generalización
• Abstracción o tolerancia al ruido
• Procesamiento paralelo
• Memoria distribuida

Modo de Operación

• Aprendizaje supervisado
• Aprendizaje no supervisado
• Fase test (opcional)
• Fase de aplicación (recall)

Aprendizaje Supervisado

1. Aleatorizar los pesos de todas las conexiones.
2. Seleccionar un conjunto de entrenamiento.
3. Presentar el patrón de entrada y calcular la salida de la red.
4. Cálculo del error o discrepancia entre la salida obtenida y la deseada.
5. Aplicar la regla de aprendizaje, es decir, ajustar los pesos de las conexiones tratando de disminuir el error.
6. Volver al paso 2.

Aplicaciones de las RNAs

• Procesamiento de lenguaje natural
• Compresión de imágenes
• Reconocimiento de caracteres
• Problemas de combinatoria
• Reconocimiento de patrones en imágenes
• Proceso de señales