Redes de Neuronas Artificiales

La informtica es algo que evoluciona constantemente y por ello cada da hecha mano de todo
lo que pueda ayudar en su desarrollo.Hoy tratare de explicaros como las Redes de Neuronas
del cuerpo humano han contribuido en el campo de la informtica.
El estudio de las neuronas del ser humano y su comportamiento han sido de utilidad para la
creacin de programas.Se trata de simular el comportamiento de estas neuronas para
desarrollar software.
Las Redes de Neuronas Artificiales tratan de emular el Sistema Nervioso Central (SNC) del
ser humano tanto en su estructura como en su funcionamiento.Se consigue as desarrollar
programas que permitan realizar tareas bastante complejas:
* Reconocimiento de imagenes
* Previsin de la evolucin de los precios.
* Reconocimiento de voz y otros patrones
* Clasificacin de imagenes
* Algoritmos genticos para crear controladores para robots.
* Optimizacin del flujo del trnsito controlando convenientemente la temporizacin de los
semforos.
* Optimizacin de plazas y horarios en lneas de vuelo.

Hace unos aos trabaje con estas redes al estudiar en la Universidad los Sistemas
Conexionistas as que os explicare como simulamos estas redes en nuestros computadores.
El SNC es considerado como la estructura nica mas compleja del universo.Su objetivo es
recibir informacin (Estimulo), codificarla y trasmitirla a un destino donde se producir un
trabajo (Respuesta).El ejemplo mas sencillo es si acercas tu mano a la llama de una
cerilla.Recibes un estimulo, este es codificado y trasmitido como Respuesta a tu mano para
que la apartes del fuego.
Una Red de Neuronas Artificial RNA se compone de una serie de elementos llamados
Elemetos de Procesado (PE), habra uno por cada dato del exterior que usemos en nuestro
programa.Entre los PE hay conexiones mediante los cuales se intercambian informacin.
Estos PE se caracterizan por:
* Entradas: Son la representacin numrica de los datos de entrada.
* Pesos: Son una manera de ponderar las entradas.El valor de estos pesos indica la

importancia que, en ese momento,se da a cada entrada de la red.La modificacin dinmica de

estos pesos es lo que marca el aprendizaje de la red.
Ejemplo:
Supongamos que desarrollamos un programa para la prediccin de lluvias, que reciba como
entradas un valor representando la hora del da, otro representando el mes y otro
representando las lluvias del da anterior.Usaremos por tanto una red con 3 PE uno para cada
dato.Esta red antes de ser usada tendr que ser entrenada para que aprenda que datos son
mas importantes.Al final de su proceso de aprendizaje la red debera considerar muy poco
importante la entrada "hora del da" (tendr un peso muy bajo), y muy importante las entradas
"mes" y "lluvias del da anterior" (pesos con valores altos).

Percetron con 2 entradas(X1,X2) y sus dos pesos (W1,W2) y con una salida Y

El aprendizaje consistir en conseguir que la red vaya reconociendo las entradas que son
importantes en el problema que tiene que resolver y las que no son necesarias.Existen
muchos tipos de aprendizaje para la red:por correccin de error,por refuerzo,competitivo....
Existen muchos tipos de redes para usar en nuestros programas:Adaline, Perceptron,
Perceptron multicapa, Redes de Base Radial, Redes Auto-organizativas etc.Cada una
apropiada para resolver un tipo de problema.Y cada red puede configurarse como mas nos
convenga usando mas o menos PE,capas etc.
Trato de que os deis cuenta de que trabajar con estos sistemas es algo complejo pero si los
manejas bien puedes crear programas realmente tiles.

Cuando yo estuve estudiando estas redes, cree 2 programas.Uno que se encargaba de

detectar bordes en las imagenes.Tu le pasabas una imagen y el programa se encargaba de
detectar todos los bordes de la imagen.
El otro programa serva para reducir la gama de colores en una imagen.Tu le pasabas una
fotografa e indicabas en cuantos colores queras dejar la imagen y el se encargaba de reducir
y modificar los colores da la fotografa.