Redes Neuronales Artificiales

Las Redes Neuronales Artificiales (AAN), se han basado en las  redes neuronales que tenemos los seres humanos en el cerebro.

Están compuestos de elementos  que tienen una forma de comportares muy parecida a la neurona biológica en sus funciones más comunes, además de esto los elementos están organizados de una forma similar a  la que tienen el cerebro humano.

Las redes tienen  tres características fundamentales que son  aprender, generalizar y abstraer.

    Estructura

Fig.1. Componentes de  una neurona.

El cerebro  es la  composición de  billones de neuronas que están densamente interconectadas. El axón, es la salida  que se ramifica y está conectada a las  dendritas que son las entradas de otras neuronas a través de la sinapsis.

En las redes neuronales artificiales la  unidad  que  viene siendo la neurona biológica en este caso es PE (elemento procesador). Este consta se entradas y  casi siempre las combina con una suma básica. La salida de PE se puede conectar a la entrada de otra PE con conexiones que  sean correctas en la sinapsis que se hace para conexiones neuronales.

Fig.2.Diagrama PE.

La red neuronal  contiene  unidades de PE conectadas. Las redes neuronales artificiales  tienen en cuenta la forma en que se conectan los elementos  del PE y también de su modelo.

Estos elementos PE están ordenados por niveles que así se hacen llamar los grupos pertenecientes a este.

Una red es una secuencia de capas, las cuales tienen conexiones entre capas adyacentes  que están al lado y son consecutivas.

Fig.3. Red Neuronal simple

Existe una herramienta  para  implementar las redes neuronales y  es un toolbox de redes neuronales en matlab.

Neural Network Toolbox de MATLAB sirve para hacer modelos sencillos de las redes biológicas. Soporta el aprendizaje supervisado y no supervisado y también  el diseño directo.

El objeto de red en el toolbox de Redes Neuronales son el número de capas, número de neuronas por capa y la conectividad entre capas.

En el proceso del entrenamiento en las redes neuronales  se puede dar uso al algoritmo backpropagation de tipo feedforward, que sirve para resolver problemas que se puedan presentar. Se tienen cuatro pasos fundamentales  para el entrenamiento que son:

-Configurar los datos de entrenamiento.

-Crear la red.

-Entrenar la red.

-Simular la respuesta de la red con nuevas entradas.

Backpropagation (Propagación hacia atrás de errores) por definición es un algoritmo usado para entrar a redes neuronales.

A través de esta herramienta se puede hacer el tratamiento de imágenes como es el caso de compresión de esta, otra aplicación sería la de la inspección visual.

   Bibliografía

      Xabier Basogain Olabe, “Redes Neuronales Artificiales y sus Aplicaciones”.  

http://cvb.ehu.es/open_course_ware/castellano/tecnicas/redes_neuro/contenidos/pdf/libro-del-curso.pdf