Redes Neuronales Artificiales

Introduccin
En el mbito de estudio de la inteligencia artificial podemos encontrar dos grandes clases
que podemos definir como macroscpico y microscpico.
En el primero de ellos se intenta modelizar el funcionamiento del cerebro basndose en
reglas del tipo si ocurre esto, entonces El nombre de macroscpico se debe a que no
se toma en cuenta en ningn momento la estructura interna del cerebro, sino que
modeliza su comportamiento en base a un funcionamiento que podramos definir como
global.
En la segunda clase, se parte de la estructura que presenta el cerebro de tal forma que se
construyen modelos que tienen en cuenta dicha estructura. De esta forma aparecen
neuronas artificiales que se combinan entre s para formar estructuras multicapas que,
a su vez, pueden combinarse para formar comits de expertos, etc. Esta forma de
combinacin recuerda la estructura en niveles del cerebro.

Redes neuronales
Las redes neuronales artificiales (RNAs) son modelos computacionales que surgieron
como un intento de conseguir formalizaciones matemticas acerca de la estructura del
cerebro. Las RNAs imitan la estructura del hardware del sistema nervioso centrndose en
el funcionamiento del cerebro humano en momentos de aprendizaje a travs de la
experiencia, de la cual, luego se extraen los conocimientos.
Las redes neuronales artificiales son un paradigma de aprendizaje y procesamiento
automtico inspirado en la forma en que funciona el sistema nervioso de los animales.
Se trata de un sistema de interconexin de neuronas en una red que colabora para
producir un estmulo de salida.
Los elementos bsicos de un sistema neuronal biolgico son las neuronas, agrupadas en
redes compuestas por millones de ellas organizadas a travs de una estructura de capas,
que constituyen un sistema con funcionalidad propia. En un sistema neuronal artificial
puede establecerse una estructura jerrquica similar, de forma que una RNA puede
concebirse como una coleccin de procesadores elementales (neuronas artificiales),
conectadas a otras neuronas, o bien, a entradas externas y con una salida que permite
propagar las seales por mltiples caminos. Un conjunto de neuronas artificiales cuyas
entradas provienen de la misma fuente y cuyas salidas se dirigen al mismo destino
constituyen lo que se denomina una capa o nivel, cuya agrupacin conforma el sistema
neuronal completo.

Estructura jerrquica de un sistema basado en una RNA

a) Una neurona es un elemento que procesa una serie de entradas y produce una
salida, segn una funcin de activacin f(y).
b) Una capa es un nivel de neuronas conectadas desde otro nivel que reciben las
mimas entradas para generar salidas individuales al exterior u otro nivel.
c) Una red neuronal se forma de diferentes niveles de neuronas interconectadas
entre s segn alguna topologa dada.
d) Un sistema neuronal opera la red mediante algn algoritmo de aprendizaje capaz
de procesar una serie de entradas del exterior que generarn salidas tiles para
algn tipo de sistema inteligente, de aprendizaje o de clasificacin.
En una RNA cada procesador (neurona) pondera las entradas que recibe, constituyendo
la modificacin de estas ponderaciones la clave del aprendizaje de la red. De esta forma,
la RNA puede aprender de sus propios errores a travs de un proceso inductivo basado
en la presentacin de un conjunto de patrones informativos que permiten al sistema la
generalizacin de conceptos a partir de casos particulares. Las RNAs pueden
considerarse modelos de clculo caracterizados por algoritmos muy eficientes que operan
de forma masivamente paralela y permiten desarrollar tareas cognitivas como el
aprendizaje de patrones, la clasificacin y la optimizacin.

Clasificacin de las redes neuronales

Las redes neuronales pueden clasificarse segn los datos de entrada y salida, binarias o
no, y segn su tipo de aprendizaje, supervisadas o no.
Las redes binarias son aquellas para las que las entradas tienen un valor de 0 1
exclusivamente (las salidas por tanto tambin valen entre 0 y 1). Las no binarias tienen
como entrada y salida valores continuos.
Una red neuronal supervisada es aquella para la que existen vectores de ejemplos de
entradas y salidas para los que puede entrenarse o programarse el aprendizaje de la red.
Una red neuronal no supervisada es aquella para la que no se tienen vectores de
ejemplos de entrada/salida y la funcin de la red es reorganizar los pesos de la red para
obtener a la salida alguna funcin objetivo, pero a priori no se conoce el resultado que se
obtendr. Una aplicacin tpica de una red no supervisada es para la realizacin de
agrupamientos automticos de los datos.

Redes neuronales no supervisadas

Estas son modelos de red neuronal que se organizan y operan sin la necesidad de contar
con patrones conocidos o clasificaciones previas de datos. Se caracteriza por:

No utilizar informacin externa previamente clasificada o conocida.

Realizar un reajuste automtico de los parmetros.
Llegar a una auto-organizacin de la informacin.

Este tipo de red neuronal generalmente mantiene sus dos fases de operacin. La
informacin de salida til se consigue desde la primera de las fases (aprendizaje), en la
cual las neuronas se agrupan de manera que logran extraer los rasgos caractersticos de
los datos (vectores generadores de las clases). El ajuste del aprendizaje no requiere de
un supervisor de la red, se logra de manera automtica con el algoritmo de
funcionamiento de la red. Esto permite que de manera automtica se logre una
clasificacin de los elementos con los que se ha aprendido, adems de que es posible
poder utilizar este aprendizaje para clasificar nuevos elementos en una fase posterior de
ejecucin.
El uso ms comn de este tipo de red neuronal es como modelos para realizar
agrupamiento de datos, clasificacin de patrones y datos, as como extractores de los
vectores caractersticos de clases de datos.

Redes neuronales supervisadas.

Las redes neuronales supervisadas son modelos de red neuronal que se organizan y
operan de manera tal que existe la necesidad de contar con patrones conocidos o
clasificaciones previas de datos para poder entrenarlas de manera supervisada. Se lo
identifica por:

Necesitar un supervisor que mida el funcionamiento del sistema.

Manejar informacin de error o de control. Esta informacin se emplea para guiar

al sistema. Hay varios algoritmos que establecen cmo se realiza esta
retroalimentacin, el ms conocido o empleado es el de propagacin hacia atrs.

Este tipo de red neuronal generalmente se opera en dos fases diferenciables: la primera
de las fases se conoce como aprendizaje, y es donde la red recibe patrones conocidos y
salidas deseadas que deber de alcanzar a aprender de manera ayudada por un
supervisor del aprendizaje dado por el algoritmo de operacin. Esta fase se separa de la
llamada fase de ejecucin ya que esta ltima es la que realmente se aprovecha en este
tipo de redes. La fase de ejecucin permite poder introducir nuevos elementos de entrada
(desconocidos) los cuales debern ser comparados con el aprendizaje previo para poder
determinar una salida adecuada segn lo aprendido.
En el aprendizaje supervisado tiene una fase de aprendizaje en la que las salidas se
ajustan para lograr obtener dada una entrada una salida conocida.

Aplicaciones
Una de las aplicaciones ms llamativas de una red neuronal artificial es utilizarla como
clasificadora para lograr que de manera automtica pueda determinarse la pertenencia de
un vxel a diferentes tipos de tejidos en una regin previamente seleccionada, esto es
posible ya que se cuenta con informacin til con base en tomografas computarizadas
por cada vxel, como lo son su valor de densidad, su suposicin en el plano axial, el nivel
de profundidad de este en el estudio y el ancho de su corte. Estas caractersticas nos
permiten poder clasificar los vxeles de una regin y su vencimiento. La clasificacin
consiste en que a partir del conocimiento de la existencia de un conjunto de clases, sea
posible asignar cada vxel a la clase que pertenezca.

Una de las RNA que se suele seleccionar por su gran capacidad para logar la clasificacin
de informacin es conocida como red auto-organizativa o SOM por sus siglas en ingls,
tambin llamada red neuronal de Kohonen. Este tipo de red neuronal no supervisada,
competitiva y distribuida de forma regular en una rejilla, tiene como fin descubrir la
estructura subyacente de los datos introducidos en cada neurona y se comparan con un
vector de peso caracterstico de cada neurona. La neurona que presenta menor diferencia
entre su vector de peso y el vector de datos es la neurona ganadora y ella y sus vecinas
vern modificados sus vectores de pesos. Despus de iterar con un cmulo importante de
datos es posible ver que la red logra una auto-organizacin de los vectores de pesos que
permiten poder determinar la clase a la que pertenece un vector a la entrada, aunque la
clasificacin lograda no logra darle una etiqueta a cada clase, si es posible diferenciarlas
en un cmulo importante de datos, lo que permite poder auto-clasificarlos.

En el modelo de la red SOM, las neuronas se organizan en una arquitectura

unidimensional de dos capas, la primera es la capa de entrada o sensorial, que consiste
en m neuronas, una por cada variable de entrada, que se comportan como buffers,
distribuyendo la informacin procedente del espacio de entrada a las neuronas de la
segunda capa. El procesamiento se realiza en general en la segunda capa, que forma el
mapa de rasgos consistente habitualmente en una estructura rectangular que operan en
paralelo.

Anlisis de zonas
Utilizando estas redes neuronales se podr visualizar los diferentes tipos de tejido de una
regin cerebral, lo cual ayuda al especialista a visualizar con mejor precisin la existencia
de un rea afectada por un tumor y el tumor mismo, ya que al realizar este tipo de anlisis
se puede visualizar una clasificacin donde se aprecian las partes de un tumor. As, se
logra distinguir una regin activa, necrtica y un rea edematosa en la periferia.
A partir de los datos de las tomografas, se extraen las siguientes caractersticas por cada
uno de los vxeles de un estudio:

Posicin en el eje de coordenadas del corte

Ancho del vxel
Nivel del corte al que pertenece el vxel

A partir de estos datos se pueden realizar clasificaciones para poder almacenar en la base
de conocimientos del sistema y que este pueda incrementar su nivel de aprendizaje y
mejore su probabilidad de acierto al intentar detectar a que clasificacin refiere cada
muestra.

Bibliografa
Baidyk, Tatiana y Kussul, Ernst. Redes neuronales visin computacional y
micromecnica. Mxico: Universidad Nacional Autnoma de Mxico, 2009
Calot, Enrique. Reconocimiento de Patrones en Imgenes Mdicas Basado en
Sistemas Inteligentes. Tesis de Grado. Facultad de Ingeniera, Buenos Aires, 2008.
Caicedo Bravo, Eduardo F. y Lpez Sotelo, Jess A. Una aproximacin prctica a
las redes neuronales artificiales. 1 ed. Colombia: Universidad del Valle, 2009.
Garca Serrano, Alberto. Inteligencia Artificial. 1 ed. Madrid: Rc Libros, 2012.
Moctezuma, Juan Carlos. Aplicaciones de Redes Neuronales Artificiales usando
MATLAB [en lnea]. Mxico: INAOE, 2006.