Qué son Las Redes Neuronales Artificiales RNA

Redes Neuronales Artificiales RNA. El hombre, desde sus inicios, ha buscado la manera de emular el comportamiento humano, creando así los sistemas expertos, sin embargo, la curiosidad de que un robot responda a ciertos estímulos se ha hecho cada vez mas creciente, investigando así el comportamiento del ser humano, descubriendo que toda respuesta viene dada por alguna entrada (vista, oído, ojos, olfato, etc.), donde el procesamiento de dicha información se hace en el cerebro, ganándose el nombre de ordenador humano.

El cerebro controla el movimiento, sueño, hambre, sed, así como todas las emociones humanas (amor, odio, ira, alegría, tristeza, entre otros) a través de millones de células nerviosas o neuronas, las cuales están conectadas unas con otras y son responsables de las funciones mentales. Así, al conocer y comprender como trabaja, se podrían elaborar sistemas que trabajen tal como lo haría un ser humano.

El cerebro continuamente está recibiendo señales de entrada que provienen de estímulos externos, que procesa para dar una salida apropiada, la cual comúnmente se da según la experiencia o aprendizaje previo que se tenga.

Como se dijo anteriormente, en nuestro cerebro, existen millones de neuronas que son las células fundamentales del sistema nervioso humano y se interconectan entre sí para generar lo que se conoce como Redes Neuronales, en las cuales se llevan a cabo las millones de instrucciones necesarias para que respondamos a nuestro entorno. Gracias a este proceso se permite el aprendizaje en el ser humano.

¿Que son las Neuronas?

La estructura básica de una neurona es la siguiente (imagen de Mecatronica):

Como se puede apreciar, las neuronas tienen varias entradas llamadas Dendritas, estas son las que van a dar el estado de su única salida, llamado axón, este va a una dendrita de la otra neurona, mediante la sinapsis.

Cabe destacar que el axón transmite la información por medio de corrientes, que van a depender del potencial de la neurona. La siguiente neurona recoge esta señal por la sinapsis sumando todas las influencias excitadoras e inhibidoras, así, si las excitadoras positivas son mayores la neurona manda una señal positiva y envía dicha salida a las demás neuronas por su sinápsis de salida.

¿Cómo se forma el aprendizaje?

En los primeros años del ser humano, se entrenan las neuronas mediante el éxito o fracaso de una acción por medio de estímulos sensoriales, como por ejemplo el hambre. Al momento de que cierta acción da como respuesta un éxito (al comer, ya no se tiene hambre) las conexiones sinápticas dentro de la red neuronal se fortalecen, permitiendo que la salida sea la correcta, haciendo que estas decisiones puedan ser utilizadas para acciones posteriores y más complicadas.

Las Redes Neuronales Artificiales RNA

Cuando se hablan de Redes Neuronales Artificiales o RNAs, se deben tratar varios elementos de procesamiento conectados entre sí, llamadas neuronas, las cuales se encuentran trabajando en problemas específicos y que aprenden según la experiencia, así, su principio se ha utilizado para la solución de problemas complejos, empleándose para el reconocimiento de patrones, del habla, toma de decisiones, predicción del tiempo, detección de explosivos, entre otros.

Principios de las Redes Neuronales Artificiales

Estos problemas complejos se pueden resolver gracias a los cinco principios mas importantes de las Redes Neuronales Artificiales, los cuales son:

Aprendizaje adaptativo

Una red neuronal se adapta al sistema en que se encuentre, gracias a que puede modificarse y actualizarse constantemente.

Autoorganización

Con este principio se permite que la red completa se organice con la finalidad de realizar un objetivo específico, permitiéndole responder a informaciones que no habían surgido antes y que será capaz de responder a estas.

Tolerancia a fallos

En los sistemas tradicionales, cuando se pierde una parte del programa, ya no funciona, sin embargo, las redes neuronales son capaces de continuar trabajando aunque haya pérdida de información, incluso si se pierde alguna parte de la red, ya que almacenan la información de manera distribuida.

Operación en tiempo real

Gracias a que las redes neuronales trabajan de forma paralela actualizan su información constantemente.

Fácil inserción en la tecnología existente

Se han programado chips especializados para redes neuronales, los cuales son capaces de hacer mejorar su capacidad para resolver ciertas situaciones, facilitando la adaptabilidad de estos sistemas a los que existen actualmente.

Esquema de una Red Neuronal Artificial

Imagen tomada de Monografias

Como se dijo anteriormente, una red neuronal está formada por neuronas, las cuales se encuentran conectadas por tres capas o niveles:

Capa de entrada

Esta es la que recibe la información proveniente de las fuentes externas de la red. En un sistema seria todo aquello que diera una entrada de información, tales como teclados, sensores de luz, de proximidad (emulan los sentidos del tacto), cámaras (emulan los ojos), entre otros.

Capa(s) oculta(s)

Es la parte interna de la red y, por lo tanto, no tendrán contacto con el exterior, esta puede estar formada por varias capas o subcapas. En un sistema sería el software que procesa los datos de entrada, que compara con resultados anteriores o los procesa y reorganiza la red para dar una nueva respuesta, según sea el caso.

Capa de salida

Es la que envía la información hacia el exterior, es decir, es la respuesta que da el sistema al proceso.

Clasificación de las Redes Neuronales Artificiales

Las Redes Neuronales se pueden realizar de acuerdo a su similitud con la realidad biológica y con su topología.

Según su realidad Biológica

Modelos de tipo biológico

Los cuales tratan de simular los sistemas neuronales biológicos así como las funciones auditivas o de visión.

Modelo dirigido a aplicación

Tratan de simular las arquitecturas ligadas a las necesidades o aplicaciones para las cuales son diseñados.

Según su topología

Perceptrón

Para este caso, la neurona se representa como un sumador lineal (tal como se puede ver en la imagen), donde los operadores son los estímulos externos, seguido de una función F, que sería la función de activación. Cada entrada es multiplicada por un peso W y los resultados son sumados, siendo comparados contra un valor de umbral, si el resultado es mayor este se activa.

Tipos de Perceptrón

Perceptrón Unicapa

Conjunto de neuronas conectadas entre sí, las cuales producirán una salida individual. Este, presenta tres formas de aprendizaje:

Supervisado: se presenta al sistema unas entradas las cuales corresponderán a la salida que se requiera aprender, permitiendo que la red calcule la salida para estas entradas, luego de conocer el error que comete, ajusta los pesos para que con una nueva entrada no continúe este error.

No Supervisado: únicamente se presenta la entrada y, en base a esta, emite una salida.

Por Refuerzo: se combinan los tipos de aprendizaje tanto supervisados como no supervisados y continuamente se presenta a la red un estudio de cómo lo hace.

Perceptrón Multicapa

En este tipo, dos o mas perceptrones unicapa están conectados en cascada. La limitante de este esquema es su aprendizaje, ya que es difícil modificar los pesos de cada una de las capas, es por esto que se implementa el algoritmo BackPropagation, el cual tiene la función de propagar los errores en la capa de salida hacia atrás.

Hopfield

Estas se usan para situaciones probabilísticas recurrentes que entrarían dentro de las memorias autoasociativas, aprendiendo a reconstruir los patrones de entrada que han memorizado durante el aprendizaje. Se trabajan con una capa de interconexión total, de adaptación probabilística y regla de aprendizaje no supervisado.

Dan soluciones dinámicas, en las cuales Hopfield busca la manera de entregar soluciones estables. Permite que el estado de cada neurona sea actualizado un número indefinido de veces, sin importar el resto de las neuronas de la red.

Hopfield consiste en un conjunto de N elementos de proceso interconectados, los operadores de entrada son también salida y los valores de activación son binarios, los cuales determinarán el estado del sistema. Se dice que cuando este valor de activación es constante se encuentra estable.

El aprendizaje de las redes de Hopfield se hace en base a la regla de Cooper-Hebb, que depende la conexión de los patrones que se desean aprender. Según la página web Redes Neuronales Artificiales, el entrenamiento se realiza de la siguiente manera:

1. Elegir un número de neuronas que cumpla el criterio del 15%.

2. Codificar los ítems que queremos memorizar de forma que los patrones para representarlos se parezcan lo menos posible entre sí para aproximarnos a la condición de pseudo-ortogonalidad.

3. Calcular los pesos de las conexiones según la regla de Cooper-Hebb.

En la siguiente figura, tomada de la pagina web Redes Neuronales Artificiales, se presenta el “modelo de Red de Hopfield de 3 unidades”:

Kohonen

Este es un esquema de red neuronal el cual tiene la capacidad de crear mapas de características, se cree que estos se forman por genética o por aprendizaje. Tiene como objetivo la de demostrar que un estímulo externo es suficiente para formar dichos mapas.

Maneja el aprendizaje no supervisado, presenta una arquitectura de capas y la dirección de la información es unidireccional. Con este tipo de redes se quiere clasificar los patrones de entrada en grupos de características similares, para así activar una única salida constantemente.