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
