Definición

Las Redes Neuronales Artificiales según (Callejas, Piñeros,

Rocha, Hernández, & Delgado, 2013), forman parte de la
Inteligencia Artificial, además (Oliveira Colabone, Ferrari,
Da Silva Vecchia, & Bruno Tech, 2015) piensa que son redes
entrenadas a través de las entradas obtenidas a partir de
escenarios externos o internos en el sistema y estas entradas
se multiplican por pesos asignados al azar, (Shaban, El-Hag,
& Matveev, 2008). En este mismo sentido, (Callejas, Piñeros,
Rocha, Hernández, & Delgado, 2013, pág. 1) afirman que las
Redes Neuronales Artificiales son una familia de técnicas de
procesamiento de información inspirado por la forma de
procesar información del sistema nervioso biológico porque
se inspira en el sistema nervioso de un ser vivo, tratando de
“emular el comportamiento del cerebro, (Tahir, ul-Hassan, &
Asghar Saqib, 2016, pág. 50) y (Molino, Cardoso, Ruíz, & Sánchez,
2014, pág. 1) opinan que es capaz de resolver funciones
altamente no lineales en un tiempo corto porque aprenden de los
datos que son dif íciles de expresarlas matemáticamente, son
“herramientas poderosas para el análisis de señales y la
modelación de sistemas”.
Las redes neuronales artificiales son objetos de programación que
imitan el funcionamiento de las neuronas biológicas (Esteban,
2009). Formadas a través de una interconexión de redes, de forma
paralela, estas redes poseen una organización jerárquica que
permiten interactuar con el mundo,
además se conoce como un sistema de computación constituida por
un gran número de elementos simples de procesamiento muy
interconectados, que procesan información en respuesta para algún
estimulo externo.
(WayBacjk Machine, 2016) Afirma que las redes neuronales
son sistemas ideados como abstracciones de las estructuras
neurobiológicas (cerebros) encontradas en la naturaleza y
tienen la característica de ser sistemas desordenados capaces de
guardar información.
Es importante mencionar que las Redes Neuronales Artificiales son
un método que permiten resolver problemas, de forma individual o
combinada con otros métodos, para aquellas tareas de clasificación,
identificación, diagnóstico en las que el balance datos/conocimiento
se inclina hacia los datos. Estas pueden ser representadas en
diferentes áreas como: neurociencias, matemáticas, estadística,
física, ciencias de la computación y la ingeniería. Las redes
neuronales encuentran aplicaciones en campos tan diversos como
el modelado, análisis de series temporales, reconocimiento de
patrones, procesamiento de señales y control en virtud de
una propiedad importante: la capacidad de aprender de los
datos de entrada con o sin un maestro. (Simon, 1999)
Además (Simon, 1999) encuentran que las ANN (Artificial
Neural Networks) se aplica en campos tan diversos como el
modelado, análisis de series temporales, reconocimiento de
patrones, procesamiento de señales y control en virtud de
una propiedad importante: la capacidad de aprender de los
datos de entrada con o sin un maestro.
En resumen, basados en estas definiciones se puede
conceptualizar a las redes neuronales como redes de neuronas
que procesan información basadas en las redes neuronales
biológicas capaz de resolver funciones altamente no lineales
que corresponden a sistemas cuyo comportamiento puede
ser complejo y f recuentemente impredecibles o caóticos
generalmente dif íciles (o imposibles) de modelar.

Ventajas y Desventajas
(Rivera, 2007), menciona algunas ventajas y desventajas de
las Redes Neuronales:

Ventajas
•Aprendizaje adaptativo en el cual aprende a realizar
tareas a partir de un conjunto de datos siendo así que en
el proceso de aprendizaje de estos datos sean representados como
entradas y pesos.
•Auto-organización pueden crear su propia organización
o representación de la información recibida, las redes
neuronales auto-organizan su información que reciben
durante el aprendizaje de la operación utilizando los
métodos matemáticos Adeline, Madeline y Perceptron
entre otros.
•Tolerancia a fallos parciales sabiendo que la destrucción
parcial de la red daña el funcionamiento a la misma,
pero no la destruye completamente. Esto es debido a la
redundancia de la información contenida, es decir, esto
conlleva a que la información no se pierda ya que funciona como el
cuerpo humano.
•Operación en tiempo real, que pueden ser llevadas a
cabo por computadoras o dispositivos de hardware
especial para aprovechar así la capacidad de las RNA.

Desventajas
• Menciona que las redes neuronales artificiales tienen
complejidad para el aprendizaje de tareas grandes.
•Elevado tiempo de aprendizaje, esto dependerá de, el
número de patrones a reconocer y la flexibilidad para
reconocer patrones que sean bastante parecidos. (Rivera,
2007, p. 64)
•No tiene la capacidad de interpretar los resultados que
esta produce siendo necesario por tal razón la interpretación del
desarrollador o de la aplicación para que le de
significados a tales resultados.
•Tiempo de convergencia, es decir existen aplicaciones
que requieren un enorme conjunto de ejemplos para el
entrenamiento lo que se traduce en tiempo de cálculo.

Estructura básica de una Red Neuronal

Según (Olabe & Basigain, 2001, pág. 2), la neurona se

constituye como la unidad fundamental dentro del sistema nervioso,
cada una de estas es una unidad procesadora que puede recibir y
enviar señales a otras unidades, y así, si un sistema de entradas es
fuerte se activa una salida especifica.
Como se muestra en la ilustración 1 la estructura de una red
neuronal está conformado por el axón que es la salida de la
neurona, este se conecta con las dendritas o entradas por
medio de la sinapsis, la cual puede cambiar durante su proceso de
aprendizaje.
Ilustración 1: Componentes de una neurona.

Fuente: Elaboración propia basada en (Olabe & Basigain, 2001, pág. 3),

Redes Neuronales Artificiales

Según (Olabe & Basigain, 2001, pág. 5), dentro de las
redes neuronales un elemento procesador o PE (Process Element)
es el equivalente de una neurona, estas unidades procesadoras
pueden poseer varias entradas mismas que son combinadas, como
se puede observar en la ilustración 2, luego de ser combinadas se
cambian los valores acorde a una función en la transferencia y
este se envía a la salida del elemento procesador.
La salida de un PE, se puede transferir a otros formando
sinapsis entre varios PE o “neuronas”.
Ilustración 2: Diagrama de una neurona artificial.

Fuente: Elaboración Propia basada en (Olabe & Basigain, 2001, pág. 3)

Según (Soria & Blanco, 2007, pág. 30) Indica que las
redes neuronales se pueden estructurar de dos formas:
según el número de capas, el tipo de conexión y según
el grado de conexión.

Según el número de capas

Redes neuronales monocapas
Es la forma más sencilla de red neuronal, como se muestra
en la ilustración 4, consta de una sola capa cuya función es
proyectar la capa de entrada a una capa de salida en la cual
se realizan los cálculos necesarios. Se utiliza generalmente
para eliminar distorsiones de señal.
lustración 3. Red Neuronal monocapa

Fuente: Elaboración propia basada en (Soria & Blanco, 2007, pág. 30)

Redes neuronales multicapa

“Es una generalización de la anterior existiendo un conjunto de
capas intermedias entre la entrada y la salida (capas ocultas). Este
tipo de red puede estar total o parcialmente conectada”, tal y como
se observa en la ilustración 4. (Soria & Blanco, 2007, pág. 30)
Ilustración 4. Red Neuronal multicapa

Ilustración 5. Red neuronal recurrente

Fuente: Elaboración propia basado en (Soria & Blanco, 2007, pág. 30).
Fuente: Elaboración propia basada en (Soria & Blanco, 2007, pág. 31)
Según el tipo de conexiones

Redes neuronales no recurrentes

En este tipo de redes no existe retroalimentación de ningún

tipo dado que se mueven únicamente hacia adelante.

Redes neuronales recurrentes

Las redes neuronales recurrentes permiten retroalimentación
mediante el uso de lazos, los mismos que pueden ser neuronas de
capas distintas o de la misma, tal como se muestra en la Ilustración
5.

Según el grado de conexión

Redes neuronales totalmente conectadas.

En este tipo de redes se conectan todas las neuronas con las

capas anteriores o siguientes, constituyendo de esta manera
redes concurrentes o no concurrentes.

Redes parcialmente conectadas.

Son aquellas redes donde no se llega a una conexión total,

sino parcial únicamente, en paralelo o de manera jerárquica
(Soria & Blanco, 2007, pág. 31).
Redes unidireccionales o de propagación hacia adelante
(feedforward)
“En las que ninguna salida neuronal es entrada de unidades de la
misma capa o de capas precedentes. La información circula en un
único sentido, desde las neuronas de entrada hacia las neuronas de
salida de la red.” (Flores López & Fernández Fernández, 2008, pág.
29)

Redes de propagación hacia atrás (feedback)

“En esta red las salidas de las neuronas pueden servir de entradas
a unidades del mismo nivel (conexiones laterales) o de niveles
previos. Las redes de propagación hacia atrás que presentan lazos
cerrados se denominan sistemas recurrentes.” (Flores López &
Fernández Fernández, 2008, pág. 29)

Tipos de redes neuronales artificales

Adaline y madaline
Son modelos adaptativos desarrollos por Bernand Widrows
y Marcian Hoff en la Universidad de Stanford.
Adaline tiene las siglas Adaptive Linear Element fue desarrollado
con el propósito de que pueda reconocer patrones binarios. Su
funcionamiento se basa en la suma de los pesos de las entradas
produciendo una salida con 0 y 1 esto lo hace dependiendo si pasa
o no un umbral. Es un elemento muy importante ya que dé él se
derivan redes más complejas.
Varias Adaline son organizadas en capas de tal manera
que se obtengan grandes arquitecturas formando una red
Madaline por lo que la cual produce funciones más complicadas.
Madaline tiene las siglas Múltiple Adaptive Linear Elemen
tfue fue la primera red neuronal multicapa que incluía elementos
adaptivos. Está constituida por dos o más unidades del Adaline,
esta estructura fue usada como un filtro para eliminar el eco en las
líneas telefónicas.
Esta fue diseñada después del Adaline con el fin de realizar
soluciones más complejas que la solución de problemas linealmente
separables.

Red backpropagation
Según (Cruz Beltrán & Acevedo Mosqueda, 2008, p. 2),
Creada en 1986, este tipo de red se basa en el aprendizaje
de la asociación de patrones existentes.
El backpropagation tiene la capacidad de generalizar lo
que es un comportamiento lo hace mediante un conjunto
de muestras escogidas como patrones de entrenamiento. Es
como el cerebro humano, por lo que esta red necesita de
una etapa de aprendizaje.
Por lo que se quiere decir en otras palabras este tipo red
requiere una búsqueda de una función de comportamientos que se
acople a los valores muestreados y al comportamiento del sistema
con un valor mínimo de error.

Perceptron multicapa
Según (Barbosa, Kleisinger, Valdez, & Monzón, 2001), está
conformado por un conjunto de neuronas que permite la
comunicación mediante él envió de señales entre sí, con un
conjunto de buenas conexiones, además no puede reconocer
caracteres complejos.
El perceptron multicapa tiene algunos aspectos que son
importantes y se los describe a continuación:
•Tiene un conjunto de unidades de procesamiento que
son las neuronas, células.
•Tiene lo que es un estado de activación que determina
la salida de la neurona.
•Hay conexiones entre las neuronas, pero cada conexión
se determina por un peso, en la cual ayuda a fijar el efecto
de la señal de la neurona.
•Además, tiene una regla que se le llama propagación
esta determina lo que es la entrada efectiva de una neurona a partir
de las entradas externas.
•Tiene un entorno que le proporciona las señales de entrada,
con el cual deber operar el sistema de la neurona.

Tiene un método para tratar la información lo hace mediante una

regla de aprendizaje.
Ilustración 6: Estructura del Perceptron Multicapa
Fuente: Elaboración propia basado en (Florez Lopez & Fernandez Fernan
-
dez, 2008, p. 61)
Como se observa en la ilustración 6 el perceptron multicapa se
caracteriza porque tiene sus neuronas agrupadas en capas de
diferentes niveles. Las conexiones del perceptron multicapa siempre
están dirigidas hacia adelante, es decir las neuronas de una capa
se conectan con las neuronas de la siguiente capa. Cada una de las
capas está formada por un conjunto de neuronas y se distinguen
tres tipos de capas diferentes: La capa de entrada, las capas
ocultas y la capa de [Link] neuronas de la capa de entrada no
actúan como neuronas propiamente dichas, sino que se encargan
únicamente de recibir las señales o patrones del exterior y propagar
dichas señales a todas las neuronas de la siguiente capa.
En las capas ocultas las neuronas realizan el procesamiento
no lineal de los patrones recibidos.
Por último la capa de salida proporciona al exterior la resepuesta de
la red para cada uno de los patrones de entrada.