El Modelo Biolgico

La teora y modelado de resdes neuronales est inspirada en la estructura y funcionamiento

de los sistemas nerviosos, donde la neurona es el elemento fundamental.
En general, una neurona consta de un cuerpo celular ms o menos esfrico, de 5 a 10 micras
de dimetro, del que salen una rama principal, el axn, y varias ramas ms cortas, llamadas
dendritas.
Una de las caractersticas de las neuronas es su capacidad de comunicarse. En trminos
generales las dendritas y el cuerpo celular reciben seales de entrada; el cuerpo celular las
combina e integra y emite seales de salida. El axn transmite dichas seales a los
terminales axnicos, que distribuyen informacin o un nuevo conjunto de neuronas, se
calcula que en el cerebro humano existen del orden de 1015 conexiones.
Las seales que se utilizan son de dos tipos: elctrica y qumica. La seal generada por la
neurona y transportada a lo largo del axn es un implso elctrico, mientras que la seal que
se transmite entre los terminales axnicos de una neurona y las dendritas de la otra es de
origen qumico.
Para establecer una similitud directa entre la actividad sinptica y la analoga con las redes
neuronales artificiales podemos considerar: Las seales que llegan a la sinapsis son las
entradas a la neurona; estas son ponderadas (atenuadas o simplificadas) a travs de un
parmetro, denominado peso asociado a la sinapsis correspondiente. Estas seales de
entrada pueden excitar a la neurona (sinapsis con peso positivo) o inhibirla (peso negativo).
El efecto es la suma de las entradas ponderadas. Si la suma es igual o mayor que el umbral
de la neurona, entonces la neurona se activa (da salida). Esta es una situacin de todo o
nada; cada neurona se activa o no se activa. La facilidad de transmisin de seales se altera
mediante la actividad del sistema nervioso. Las sinapsis son suceptibles a la fatiga,
deficiencia de oxgeno y la presencia de anestsicos, entre otro. Esta habilidad de ajustar
seales es un mecanismo de aprendizaje.
Elementos de una Red Neuronal Artificial
Las redes neuronales artificiales (RNA) son modelos que intentan reproducir
el comportamiento del cerebro. Como tal modelo, realiza una simplificacin, averiguando
cules son los elementos relevantes del sistema, bien bien porque la cantidad de
informacin de que se dispone es excesiva o bien porque es redundante. Una eleccin
adecuada de sus caractersticas, ms una estructura conveniente, es
el procedimiento convencional utilizado para construir redes capaces de realizar
determinada tarea.
1. Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas provienen de
la misma fuente y cuyas salidas se dirigen al mismo destino.
2. Unidad de proceso: La neurona Artificial. Existen tres tipos de unidades en cualquier
sistema: entradas, salidas y ocultas. Las unidades de entrada reciben seales desde el
entorno; las de salida envan la seal fuera de la red, y las unidades ocultas son
aquellas cuyas entradas y salidas se encuentran dentro del sistema.
3. Estado de Activacin. Los estados del sistema en un tiempo t se representan por un
vector A(t). Los valores de activacin pueden ser continuos o discretos, limitados o
ilimitados. Si son discretos, suelen tomar un conjunto discreto de valores binarios, as
un estado activo se indicara con un 1 y un estado pasivo se representara por un cero.
En otros modelos se considera un conjunto de estados de activacin, en
cuyo valor entre [0,1], o en el intervalo [-1,1], siendo una funcin sigmoidal.
4. Funcin de Salida o de Transferencia. Asociada con cada unidad hay una funcin de
salida, que transforma el estado actual de activacin en una seal de salida.
Existen cuatro funciones de transferencia tpicas que determinan distintos tipos de
neuronas:
Funcin Escaln
Funcin Lineal y Mixta
Sigmoidal
Funcin Gaussiana
1. Conexiones entre neuronas. Las conexiones que unen a las neuronas que forman una
RNA tiene asociado un peso, que es el que hace que la red adquiera conocimiento. Se
considera que el efecto de cada seal es aditivo, de tal forma que la entrada neta que
recibe una neurona es la suma delproducto de cada seal individual por el valor de la
sinapsis que conecta ambas neuronas y es lo que se conoce como red de propagacin.
Se utiliza una matriz W con todos los pesos, Si wji es positivo indica que la relacin
entre las neuronas es excitadora, es decir, siempre que la neurona i est activada, la
neurona j recibir una seal que tender a activarla. Si wji es negativo, la sinapsis ser
inhibidora. En este caso si i est activada, enviar una seal que desactivar a j.
Finalmente si wji es 0 se supone que no hay conxin entre ambas
2. Funcin o Regla de Activacin. Se requiere una regla que combine las entradas con el
estado actual de la neurona para producir un nuevo estado de activacin. Esta funcin
F produce un nuevo estado de activacin en una neurona a partir del estado que
exista y la combinacin de las entradas con los pesos de las conexiones. Esa F es
denominada funcin de activacin, y las salidas que se obtienen en una neurona para
las diferentes formas de F sern:
Funcin de Activacin Escaln
Funcin de Activacin Identidad
Funcin de Activacin Lineal -Mixta


Funcin de Activacin Sigmoidal
1. Regla de Aprendizaje. El aprendizaje puede ser comprendido como la modificacin de
comportamiento inducido por la interaccin con el entorno y como resultado de
experiencias conduce al establecimiento de nuevos modelos de respuesta a estmulos
externos. En el cerebro humano el conocimiento se encuentra en la sinapsis. En el
caso de las RNA el conocimiento se encuentra en los pesos de las conexiones entre
neuronas. Todo procesode aprendizaje implica cierto nmero de cambios en estas
conexiones. En realidad, puede decirse que se aprende modificando los valores de lo
pesos de la red.

INTRODUCCION
Con las Redes Neuronales se busca la solucin de problemas complejos, no como una
secuencia de pasos, sino como la evolucin de unos sistemas de computacin inspirados en
el cerebro humano, y dotados por tanto de cierta "inteligencia", los cuales no son sino la
combinacin de elementos simples de proceso (neuronas - se dar una visin rpida sobre
el funcionamiento de las mismas en los seres vivos-) interconectados, que operando de
forma paralela en varios estilos que sern analizados detalladamente, consiguen resolver
problemas relacionados con el reconocimiento de formas o patrones,
prediccin, codificacin, control y optimizacin entre otras aplicaciones que finalizarn con
este documento.

Historia De Redes Neuronales Artificiales
1920 a 1930
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 intento
utilizar la teora de la conmutacin telefnica como punto de partida de un sistema
de conocimiento similar al del cerebro.
1940 a 1950
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.
1943 Teora de las Redes Neuronales Artificiales
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.
1949 Conductividad de la sinpsis en las Redes Neuronales.
Seis aos despus de que McCulloch y Pitts mostraran sus Redes Neuronales, el fisilogo
Donald O. Hebb (de la McGill University) 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.

En la actualidad

En la actualidad ya existen un serie de neurocomputadores comerciales destinados a la
realizacin de redes neuronales. Por otro lado la realizacin de RNA puede llevarse a cabo
por medio de uno o varios circuitos integrados especficos, para as poder obtener una
estructura que se comporte lo ms similar posible a como lo hara una red neuronal.
Otra tecnologa que podra ser apropiada en la implementacin de las redes neuronales es
la tecnologa electroptica, con la ventaje de utilizar la luz como medio de transporte de la
informacin, permitiendo la transmicin, masiva de datos.
Elementos de una Red Neuronal Artificial
Las redes neuronales artificiales (RNA) son modelos que intentan reproducir
el comportamiento del cerebro. Como tal modelo, realiza una simplificacin, averiguando
cules son los elementos relevantes del sistema, bien bien porque la cantidad de
informacin de que se dispone es excesiva o bien porque es redundante. Una eleccin
adecuada de sus caractersticas, ms una estructura conveniente, es
el procedimiento convencional utilizado para construir redes capaces de realizar
determinada tarea.
1. Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas provienen de
la misma fuente y cuyas salidas se dirigen al mismo destino.
2. Unidad de proceso: La neurona Artificial. Existen tres tipos de unidades en cualquier
sistema: entradas, salidas y ocultas. Las unidades de entrada reciben seales desde el
entorno; las de salida envan la seal fuera de la red, y las unidades ocultas son
aquellas cuyas entradas y salidas se encuentran dentro del sistema.
3. Estado de Activacin. Los estados del sistema en un tiempo t se representan por un
vector A(t). Los valores de activacin pueden ser continuos o discretos, limitados o
ilimitados. Si son discretos, suelen tomar un conjunto discreto de valores binarios, as
un estado activo se indicara con un 1 y un estado pasivo se representara por un cero.
En otros modelos se considera un conjunto de estados de activacin, en
cuyo valor entre [0,1], o en el intervalo [-1,1], siendo una funcin sigmoidal.
4. Funcin de Salida o de Transferencia. Asociada con cada unidad hay una funcin de
salida, que transforma el estado actual de activacin en una seal de salida.
Existen cuatro funciones de transferencia tpicas que determinan distintos tipos de
neuronas:
Funcin Escaln
Funcin Lineal y Mixta
Sigmoidal
Funcin Gaussiana
1. Conexiones entre neuronas. Las conexiones que unen a las neuronas que forman una
RNA tiene asociado un peso, que es el que hace que la red adquiera conocimiento. Se
considera que el efecto de cada seal es aditivo, de tal forma que la entrada neta que
recibe una neurona es la suma delproducto de cada seal individual por el valor de la
sinapsis que conecta ambas neuronas y es lo que se conoce como red de propagacin.
Se utiliza una matriz W con todos los pesos, Si wji es positivo indica que la relacin
entre las neuronas es excitadora, es decir, siempre que la neurona i est activada, la
neurona j recibir una seal que tender a activarla. Si wji es negativo, la sinapsis ser
inhibidora. En este caso si i est activada, enviar una seal que desactivar a j.
Finalmente si wji es 0 se supone que no hay conxin entre ambas
2. Funcin o Regla de Activacin. Se requiere una regla que combine las entradas con el
estado actual de la neurona para producir un nuevo estado de activacin. Esta funcin
F produce un nuevo estado de activacin en una neurona a partir del estado que
exista y la combinacin de las entradas con los pesos de las conexiones. Esa F es
denominada funcin de activacin, y las salidas que se obtienen en una neurona para
las diferentes formas de F sern:
Funcin de Activacin Escaln
Funcin de Activacin Identidad
Funcin de Activacin Lineal -Mixta


Funcin de Activacin Sigmoidal
1. Regla de Aprendizaje. El aprendizaje puede ser comprendido como la modificacin de
comportamiento inducido por la interaccin con el entorno y como resultado de
experiencias conduce al establecimiento de nuevos modelos de respuesta a estmulos
externos. En el cerebro humano el conocimiento se encuentra en la sinapsis. En el
caso de las RNA el conocimiento se encuentra en los pesos de las conexiones entre
neuronas. Todo procesode aprendizaje implica cierto nmero de cambios en estas
conexiones. En realidad, puede decirse que se aprende modificando los valores de lo
pesos de la red.
Caractersticas de las Redes Neuronales
Existen cuatro aspectos que caracterizan una red neuronal: su topologa, el mecanismo de
aprendizaje, tipo de asociacin realizada entre la informacin de entrada y salida, y la forma
de representacin de estas informaciones.
1. Redes Monocapa: Se establecen conexiones laterales, cruzadas o autorrecurrentes
entre las neuronas que pertenecen a la nica capa que constituye la red. Se utilizan en
tareas relacionadas con lo que se conoce como autoasociacin; por ejemplo, para
generar informaciones de entrada que se presentan a la red incompletas o
distorsionadas.
Redes Multicapa: Son aquellas que disponen de conjuntos de neuronas agrupadas en
varios niveles o capas. Una forma de distinguir la capa a la que pertenece la neurona,
consiste en fijarse en el origen de las seales que recibe a la entrada y el destino de la
seal de salida. Segn el tipo de conexin, como se vio previamente, se distinguen las
redes feedforward, y las redes feedforward/feedback.
2. Topologa de las Redes Neuronales. La arquitectura de las redes neuronales consiste
en la organizacin y disposicin de las neuronas formando capas ms o menos
alejadas de la entrada y salida de la red. En este sentido, los parmetros
fundamentales de la red son: el nmero de capas, el nmero de neuronas por capa, el
grado de conectividad y el tipo de conexiones entre neuronas.
3. Mecanismo de Aprendizaje. El aprendizaje es el proceso por el cual una red neuronal
modifica sus pesos en respuesta a una informacin de entrada. Los cambios que se
producen durante el proceso de aprendizaje se reducen a la destruccin, modificacin
y creacin de conexiones entre las neuronas, la creacin de una nueva conexin
implica que el peso de la misma pasa a tener un valor distinto de cero, una conexin
se destruye cuando su peso pasa a ser cero. Se puede afirmar que el proceso de
aprendizaje ha finalizado (la red ha aprendido) cuando los valores de los pesos
permanecen estables (dwij / dt = 0).