REDES NEURONALES ARTIFICIALES Las Redes Neuronales Artificiales (RNA) son sistemas de procesamiento de la información cuya estructura y funcionamiento están inspirados en las redes neuronales biológicas (Palmer y Montaño, 2009). Consisten en un gran número de elementos simples de procesamiento llamados nodos o neuronas que están organizados en capas. Cada neurona está conectada con otras neuronas mediante enlaces de comunicación, cada uno de los cuales tiene asociado un peso. En los pesos se encuentra el conocimiento que tiene la RNA acerca de un determinado problema. En la Web podemos encontrar un sinfín de introducciones al campo de las RNA. En este sentido, el Pacific Northwest National Laboratory ofrece un listado de excelentes introducciones on line a este campo. La utilización de las RNA puede orientarse en dos direcciones, bien como modelos para el estudio del sistema nervioso y los fenómenos cognitivos, bien como herramientas para la resolución de problemas prácticos como la clasificación de patrones y la predicción de funciones. Desde esta segunda perspectiva, RNA han sido aplicadas de forma satisfactoria en la predicción de diversos problemas en diferentes áreas de conocimiento --biología, medicina, economía, ingeniería, psicología, etc. (Arbib, 1995; Simpson, 2005; Arbib, Erdi y Szentagothai, 2007)--; obteniendo excelentes resultados respecto a los modelos derivados de la estadística clásica (De Lillo y Meraviglia, 1998; Jang, 2008; Waller, Kaiser, Illian et al., 2008; Arana, Delicado y Martí-Bonmatí, 2009; Takahashi, Hayasawa y Tomita, 2009). El paralelismo de cálculo, la memoria distribuida y la adaptabilidad al entorno, han convertido a las RNA en potentes instrumentos con capacidad para aprender relaciones entre variables sin necesidad de imponer presupuestos o restricciones de partida en los datos. Actualmente, existen unos 40 paradigmas de RNA que son usados en diversos campos de aplicación (Sarle, 2008). Entre estos paradigmas, el más ampliamente utilizado es el PERCEPTRON multicapa asociado al algoritmo de aprendizaje backpropagation error (propagación del error hacia atrás), también denominado red backpropagation (Rumelhart, Hinton y Williams, 1986). La popularidad del PERCEPTRON multicapa se debe principalmente a que es capaz de actuar como un aproximador universal de funciones (Funahashi, 2009; Hornik, Stinchcombe y White, 2009). Más concretamente, una red backpropagation conteniendo al menos una capa oculta con suficientes unidades no lineales puede aprender cualquier tipo de función o relación continua entre un grupo de variables de entrada y salida. Esta propiedad convierte a las redes PERCEPTRON multicapa en herramientas de propósito general, flexibles y no lineales.
Posted on: Tue, 25 Jun 2013 19:31:06 +0000
Trending Topics
Recently Viewed Topics
© 2015