INTELIGENCIA ARTIFICIAL Y RNA

Una red neuronal es un conjunto de neuronas que se interconectan para elaborar “Redes Neuronales”. Estas redes ejecutan las millones de instrucciones necesarias para mantener una vida normal. Una neurona logra comunicarse con otras neuronas a través de impulsos eléctricos y reacciones químicas que envían por el axón y hacen contacto con las dendritas de las neuronas vecinas.

Una red neuronal artificial o RNA están compuestas de un gran número elementos de procesamiento altamente interconectados trabajando al mismo tiempo para la solución de problemas específicos. Este gran número de elementos de procesamiento imitan el comportamiento de las neuronas de tal manera que las RNA están compuestas de muchos elementos sencillos que operan en paralelo y el diseño de la red está determinado mayormente por las conexiones entre sus elementos como lo es en las conexiones de las neuronas cerebrales.

HistoriaDesde el principio de la humanidad se soñó con el desarrollo de máquinas que puedan

imitar la capacidad de aprendizaje del hombre. Los progresos obtenidos han permitido dirigir estos esfuerzos a otros campos. Algunos hechos históricos son los siguientes:

Walter Pitts y Warren McCulloch (1943) Por medio de una red de células conectadas entre sí podían ejecutar operaciones lógicas.

Donald Hebb (1949) Propuso las conexiones entre neuronas. Minsky y Edmons (1959) Montaron la primera máquina de redes neuronales, compuesta

básicamente de 300 tubos de vacío y un piloto automático de un bombardero B-24.

Modelos de Redes Neuronales ArtificialesSe pueden clasificar en 2 categorías, los de tipo bilógico y los artificiales.

Los biológicos se constituyen en redes que tratan de simular sistemas neuronales biológicos, funciones auditivas o funciones básicas de visión.

Las redes neuronales artificiales dirigidas a aplicación están en general poco ligadas a las redes neuronales biológicas. Sus arquitecturas están fuertemente ligadas a las necesidades de las aplicaciones para las que son diseñados.

Sus características principales son las siguientes:Auto Organización y Adaptabilidad: utilizan algoritmos de aprendizaje adaptativo y auto organización, por lo que ofrecen posibilidades de procesado robusto y adaptativo.Procesado No Lineal: aumenta la capacidad de la red de aproximar, clasificar y su inmunidad frente al ruido.Procesado paralelo: normalmente se usa un gran número de células de procesado por el alto nivel de interconectividad.

Estructura de una RNAExisten infinitas variaciones de topologías, las cuales podemos clasificarlas en los

siguientes criterios:Numero de niveles o capas: Puede estar formada por un mínimo de una capa y un máximo de n capas. Cuando existe una sola capa, esta oficia tanto de entrada como de salida; en las RNA de dos capas o más la primera será de entrada y la ultima de salida y las restantes serán capas ocultas.Numero de neuronas por nivel: Las neuronas por nivel pueden variar desde 1 hasta n, dependiendo de cada topología en particular.Formas de conexión: Esta determinada por la forma en que la salida de una capa de neurona es conectada con la entrada de otra. Existen dos formas básicas la de propagación hacia adelante y la de propagación hacia atrás.

Modelos de RNALos modelos más característicos son los de avalancha, teoría de resonancia adaptativa,

back propagation, máquinas de boltzmann, self-organizing-map (SOM)

Modelo de KOHONENEste modelo presenta dos aspectos importantes:

La cuantificación por Vector de Aprendizaje (LVQ): Trabaja con salidas en una sola dimensión.El Mapa de Preservación Topológico (TPM): Su salida es bidimensional.

El principio de funcionamiento trata de establecer una correspondencia entre la información de entrada y un espacio de salida de dos dimensiones, o mapa topológico. El modelo de Kohonen presenta dos limitaciones:

El proceso de aprendizaje suele ser largo y arduo.Para aprender nuevos datos es necesario repetir el proceso de aprendizaje.