Redes Neuronales Artificiales

REDES NEURONALES ARTIFICIALES

Las redes neuronales artificiales son sistemas que permiten el procesamiento de información, de manera similar a los algoritmos genéticos, su estructura y funcionamiento se basa en procesos biológicos, en este caso se fundamentan en redes neuronales biológicas. Pueden encontrarse una gran variedad de definiciones de redes neuronales artificiales, como son:

1.       “Redes interconectadas en paralelo y con organización jerárquica” (Kohonen,1988). Esta definición hace referencia a que muchas neuronas pueden funcionar simultáneamente, procesando información al mismo tiempo; este proceso es similar al que realizan las neuronas en el cerebro humano.

2.       “Un modelo matemático compuesto por un gran número de elementos procesales organizados en niveles” (Hilera & Martínez, 1995).

3.       “Ordenación secuencial de tres tipos de nodos o capas: nodos de entrada, nodos intermedios y nodos de salida que utilizan el cerebro humano y su estructura para desarrollar una estrategia de procesamiento” (Hair et al., 1999).

4.       “Algoritmos generales de análisis de datos basados en un uso intensivo del ordenador” (Peña, 2002)

  

Constan de un gran número de unidades básicas denominados nodos que se agrupan en tres tipos de capas, la capa de entrada, una serie de capas intermedias y una capa de salida, la capa de entrada hace referencia a los datos que ingresan a la red neuronal planteada o las variables independientes, una vez ingresan a la neurona se obtienen los valores de la capa de salida o valores dependientes que son 1 o 0. Las neuronas se encuentran conectadas entres si mediante pesos, que resultan necesarios dado que incorporan la información que ingresa a la red y es empleada para resolver el problema establecido y a partir del cual se genera la red neuronal en cuestión.

La estructura de la red neuronal como se mencionó anteriormente, se puede observar en la siguiente imagen.

Fuente: http://www.um.es/LEQ/Atmosferas/Ch-VI-3/6-3-8.GIF

Esta es la estructura más básica, denominada perceptrones, por lo tanto, no es posible observar las capas ocultas; en esta se puede observar la función a la que ingresan los datos con un determinado peso W obteniendo una única salida. La estructura de red neuronal artificial o perceptrones multicapa presentan todas las capas mencionadas, las entradas, las capas ocultas , donde se encuentran los pesos asignados para cada una de las entradas y finalmente la capa de salida que una vez pasan los datos por las capas ocultas, la salida converge a un resultado.

Mencionadas las características estructurales de las redes neuronales artificiales y las diferentes definiciones para estas, es posible afirmar que estos sistemas son modelos que se basan y se entrenan a partir de la experiencia, en otras palabras, requieren de una serie de cambios o entrenamientos realizados con el fin de que estas aprendan a cumplir con una tarea en específico, el entrenamiento se realiza empleando ejemplos ilustrativos hasta que la neurona tenga la capacidad de dar su propia representación del problema.

Para el entrenamiento de la neuronas es necesario contar con tres conjuntos de datos, en primer lugar, establecer los datos designados para el entrenamiento exclusivamente, posterior a esto se cuenta con un conjunto de datos establecido para la validación, empleados para establecer el funcionamiento de la red, finalmente se requiere un conjunto de datos establecido para la comprobación, este con el fin de evaluar el comportamiento de la red en una población, que cumpla el proceso para el comportamiento global.

El procedimiento que se realiza para implementar una red neuronal artificial consiste en inicialmente crear la arquitectura de la red, con su respectivo número de iteraciones para evitar entrenar de más la red; una vez realizada la parte inicial, se procede a plantear la tasa de aprendizaje y los valores iniciales de los pesos. Con estas condiciones iniciales, se introducen los valores de entrada requeridos y se establecen los valores de salida establecidos para la solución del problema en cuestión.

Tras una serie de operaciones matemáticas empleadas para realizar las iteraciones, empleadas para la búsqueda y determinación de los pesos adecuados para dar respuesta a las situaciones que se imponen en la red neuronal; una vez finaliza el proceso de entrenamiento, la red neuronal está en capacidad de responder adecuadamente cada vez que se ingresan a esta las diferentes situaciones.

 Una de las características más importantes y significativas de las redes neuronales artificiales, radica principalmente en que estas redes son capaces de extender situaciones o problemas anteriores a casos nuevos, es decir, están en la capacidad de generalizar situaciones, lo que cerca de situaciones completamente novedosas o incompletas, basándose en información que se la ha ingresado en casos anteriores.

De acuerdo a las características mencionadas acerca de las redes neuronales y sus capacidades, cabe resaltar que una neurona, individualmente puede dar solución a procesos muy simples, pero estas interconectadas trabajan en paralelo desarrollando y dando solución a problemas globales bastante extensos y que podrían ser lo suficientemente dispendiosos para ser realizados por un se humano.

Entre las limitaciones que presentan las redes neuronales artificiales se encuentra que estas no permiten resolver todos los problemas, estas se encuentran orientadas a realizar un determinado tipo de tareas.; cabe resaltar que resulta útil la implementación de redes neuronales artificiales a un problema cuando no se dispone de un conjunto de reglas sistemáticas que permitan describir en su totalidad el problema y como factor indispensable se encuentra la disposición de gran variedad de situaciones o ejemplos que den información a la neurona de los procesos ocurridos y resulte fácil después del entrenamiento su identificación. Otro problema que se puede presentar en la implementación de las redes neuronales artificiales se encuentra en que se ingresen un numero de variables independientes o variables de entrada demasiado grande afectando el procesamiento y por lo tanto el aprendizaje de la neurona.

Las ventajas que presenta este modelo frente a los demás es que no impone restricciones frente a los datos que ingresan a la neurona ni exige presupuestos o distribuciones para su implementación y la principal ventaja que ofrece es que tienen la habilidad de obtener funciones de salida no lineales, permitiendo solucionar problemas complejos. Por lo tanto, las aplicaciones más importantes que ofrecen las redes neuronales es que permiten la predicción con un alto grado de precisión a partir de la identificación de patrones.