REDES NEURONALES ARTIFICIALES (RNA)

lvarez Meneses Emilia

mily_357@yahoo.es

Resumen 2 RED NEURONAL ARTIFICIAL

Este artculo pretende mostrar el proceso que
realiza una red neuronal para la resolucin de
problemas, estos sistemas estn basados en las redes
neuronales biolgicas, y buscan imitar las
propiedades que son usadas para la generacin de
aprendizaje en el ser humano
Palabras Clave: Sinapsis, Neurona, Aprendizaje,
Capas.
Las redes neuronales artificiales son sistemas que
se basan en los sistemas neuronales biolgicos.
Una red neuronal es un sistema de procesadores
paralelos conectados entre s en forma de grafo
dirigido (Sotolongo G). Cada neurona o unidad de la
red se representa como un nodo.
2.1 Esquema red neuronal artificial

1 REDES NEURONALES

1.1 Red neuronal biolgica

La neurociencia se ha encargado de estudiar cmo

funciona el cerebro humano y cmo funciona el
proceso de la sinapsis para desarrollar nuestro
aprendizaje.

Las neuronas son los elementos que pertenecen al
sistema nervioso del ser humano y de los cuales se
compone el cerebro, fundamentalmente se dividen
en tres partes: el cuerpo de la neurona, las dendritas,
encargadas de tomar las entradas, y el axn
encargado de tomar la salida de la neurona y llevarla
a la dendrita de una nueva neurona (Figura 1).
Figura 2. Esquema de una red neuronal artificial
Ya que es inviable recrear del todo una red
neuronal biolgica, se busca moldear sus propiedades
en la figura 2 se puede observar el esquema general
de una red neuronal artificial, donde Xi son las
seales de entrada de la neurona, los cuales son
valores numricos y Wi son los pesos, tambin
valores numricos, estos son multiplicados con su
respectiva entrada, esto con el fin de asignar una
carga a cada entrada; una neurona biolgica se activa
al superar un umbral, en una neurona artificial ocurre
lo mismo, esta se activa mediante una funcin de
activacin f(z), las ms usadas son la funcin escaln
y la sigmoide (Figura 3).

Figura 1: Partes de una neurona biolgica

El hombre posee aproximadamente 1011 neuronas con

una media de 1014 conexiones entre cada una, cada
vez que se recibe un estmulo produce que la neurona
traslade una seal a lo largo de su axn a otras
neuronas y as peridicamente, cuando se reciben
estas seales en las otras neuronas, entre la dendrita y
el axn se produce la sinapsis. Figura 3. Funciones de activacin
 2.2 Perceptron
Es el modelo ms bsico de una neurona ya que
posee tan solo una capa, este modelo tiene una
desventaja y es que tan solo puede solucionar
problemas linealmente separables, ya que este busca
separar asociando en grupos, es decir, funciones
lgicas como la AND y la OR, pueden ser
asimiladas y aprendidas por un perceptron, ya que en
este caso, con tan solo una recta se pueden separar
los puntos negros de los blancos. (Figura 4).
Figura 4. Funciones linealmente separables.
Por el contrario para la funcion XOR el uso de un
solo perceptron seria inutil ya que esta funcion no es
linealmente separable, pues se hace necesario de al
menos dos rectas para separar los puntos negros de
losblancos. (Figura 5).
Figura 5. Funcin NO linealmente separable
2.3 Back Propagation
El modelo de backpropagation permite solucionar
problemas no linealmente separables lo cual
sobresale por encima de un perceptron, ya que este es
de tipo multicapa.
Figura 6. Topologia de una red Back Propagation
3 VENTAJAS
Las ventajas que ofrecen las RNA son diversas ya
que al tener similitudes con el cerebro, pueden
aprender de la experiencia, pueden tener su propia
organizacin, tiene una tolerancia a los fallos ya que
aun si la red sufre un deterioro muchas de las
capacidades de la red se logran mantener.
4 APLICACIONES
Las aplicaciones de las redes neuronales son
mltiples y se pueden abordar varios tipos de
problema por lo que se encuentran en muchos
campos de estudio como la medicina en deteccin de
tumores, cardiopatas, prediccin de enfermedades
degenerativas, tambin en el procesamiento de
seales, reconocimiento de voz, de patrones e
imgenes, y otros campos como la economa, para la
deteccin de fraudes en tarjetas de crdito, tendencias
en la bolsa de valores, en biologa para el conteo de
clulas, clasificacin de glbulos, entre otros, as que
como se nota las aplicaciones de las redes neuronales
son abundantes y cada da se siguen buscando ms
aplicaciones en las cuales se puedan usar los
beneficios de las redes neuronales artificiales.
Referencias
[1] Sotolongo G, Guzmn M, Aplicaciones de las
redes neuronales. El caso de la bibliometra
(2001), La Habana, Cuba. pg. 3.
[2] Garca P, Introduccin a las redes neuronales y
su aplicacin a la investigacin astrofsica,
Espaa.
[3] Arredondo V, Introduccin a las redes
neuronales, Universidad de las Amricas, Santa
Catarina.
[4] [Figura 1]. Recuperada el 24 de mayo 2014 de:
http://halweb.uc3m.es/esp/Personal/personas/jm
marin/esp/DM/tema3dm.pdf , Introduccin a
las redes neuronales aplicadas Universidad
Carlos III de Madrid.
[5] [Figura 2]. Recuperada el 24 de mayo 2014 de:
http://redesneuronales-mini.blogspot.com/
Redes neuronales artificiales (2010)
[6] [Figura 3] Recuperada de: Izaurieta F, Saavedra
C, Redes neuronales artificiales, Universidad de
Concepcin, Concepcin, Chile.
[7] [Figura 4, 5] Recuperada el 24 de mayo 2014
de:
http://es.wikipedia.org/wiki/Perceptr%C3%B3n