1. Proyecto de Programación en I.A
Rodrigo González Aguilar
ANTECEDENTES DE LAS REDES NEURONALES
Las redes neuronales como su nombre lo indica pretenden imitar a pequeñísima escala la forma de
funcionamiento de las neuronas que forman el cerebro humano. Todo el desarrollo de las redes neuronales
tiene mucho que ver con la neurofisiología, no en vano se trata de imitar a una neurona humana con la mayor
exactitud posible. Entre los pioneros en el modelado de neuronas se encuentra Warren McCulloch y Walter
Pitts. Estos dos investigadores propusieron un modelo matemático de neurona. En este modelo cada neurona
estaba dotada de un conjunto de entradas y salidas. Cada entrada está afectada por un peso. La activación de
la neurona se calcula mediante la suma de los productos de cada entrada y la salida es una función de esta
activación. La principal clave de este sistema se encuentra en los pesos de las diferentes entradas.
En realidad cuando se tienen interconectadas muchas de estas neuronas artificiales lo que se hace
inicialmente es entrenar el sistema. El entrenamiento consiste en aplicar unas entradas determinadas a la red
y observar la salida que produce. Si la salida que produce no se adecua a la que se esperaba, se ajustan los
pesos de cada neurona para interactivamente ir obteniendo las respuestas adecuadas del sistema. A la red se
le somete a varios ejemplos representativos, de forma que mediante la modificación de los pesos de cada
neurona, la red va "aprendiendo".
LA NEURONA BIOLÓGICA
A finales del siglo XIX se logró una mayor claridad sobre el trabajo del cerebro debido a los trabajos de Ramón
y Cajal en España y Sherrington en Inglaterra. El primero trabajó en la anatomía de las neuronas y el segundo
en los puntos de conexión de las mismas o sinapsis. Se estima que en cada milímetro del cerebro hay cerca de
50.000 neuronas, conteniendo en total más de cien mil millones de neuronas y sinapsis en el sistema nervioso
humano.
La Neurona Artificial.
Un circuito eléctrico que realice la suma ponderada de las diferentes señales que recibe de otras unidades
iguales y produzca en la salida un uno o un cero según el resultado de la suma con relación al umbral o nivel
de disparo, conforma una buena representación de lo que es una neurona artificial. La función de
transferencia para la activación o disparo de la neurona puede ser de umbral lógico o de limitación dura o de
función sigmoidea . W representa el peso o ponderación de la conexión a través de una entrada.
La Red Neuronal Biológica
El sistema de neuronas biológico está compuesto por neuronas de entrada (sensores) conectados a una
compleja red de neuronas "calculadoras" (neuronas ocultas), las cuales, a su vez, están conectadas a las
neuronas de salidas que controlan, por ejemplo, los músculos.
ARQUITECTURAS REDES NEURONALES
Se denomina arquitectura a la topología, estructura o patrón del conexionado de una red neuronal. En un RNA
los nodos se conectan por medio de sinapsis, esta estructura de conexiones sinápticas determina el
2. Proyecto de Programación en I.A
Rodrigo González Aguilar
comportamiento de la red. Las conexiones sinápticas son direccionales, es decir, la información solamente se
propaga en un único sentido (desde la neurona presináptica a la postsináptica
En general, las neuronas se agrupan en unidades estructurales que denominamos capas. Las neuronas de una
capa se agrupan, a su vez, para formar grupos neuronales (clusters).
Dentro de un grupo, ó de una capa, si no existe éste tipo de agrupación, las neuronas suelen ser del mismo
tipo. Finalmente, el conjunto de una o más capas constituye la red neuronal.
Se distinguen tres tipos de capas: "a" de entrada, "b" de salida y "c" ocultas. Una capa de entrada o sensorial
está compuesta por neuronas que reciben datos o señales procedentes del entorno (por ejemplo,
proporcionados por sensores).
Una capa de salida es aquella cuyas neuronas proporcionan la respuesta de la red neuronal (sus neuronas se
conectan a efectores).
Una capa oculta es aquella que no tiene una conexión directa con el entorno, es decir, que no se conecta
directamente ni a órganos sensores ni a efectores.
Este tipo de capa proporciona a la red neuronal grados de libertad adicionales, gracias a los cuales se
encuentran representaciones internas correspondientes a rasgos del entorno, proporciona una mayor riqueza
computacional.
Las conexiones entre las neuronas son ex citatorias o inhibitorias: Un peso sináptico negativo define una
conexión inhibitoria, mientras que uno positivo determina una conexión ex citatoria.
Habitualmente, no se suele definir una conexión como de un tipo o de otro, sino que por medio del
aprendizaje se obtiene un valor para el peso, que incluye signo y magnitud.
Por otra parte, se distingue entre conexiones intra-capa e inter-capa.
Las conexiones intra-capa, también denominadas laterales, tienen lugar entre las neuronas pertenecientes a
una misma capa, mientras que las conexiones inter-capa se producen entre las neuronas de diferentes capas.
Existen además conexiones realimentadas, que tienen un sentido contrario al de entrada-salida.
En algunos casos existe realimentación incluso de una neurona consigo misma.
QUE ES LA SINAPSIS
Es una unión (funcional) intercelular especializada entre neuronas2 o entre una neurona y una célula efectora
(casi siempre glandular o muscular). En estos contactos se lleva a cabo la transmisión del impulso nervioso.
Éste se inicia con una descarga química que origina una corriente eléctrica en la membrana de la célula
presináptica (célula emisora); una vez que este impulso nervioso alcanza el extremo del axón (la conexión con
la otra célula), la propia neurona segrega un tipo de compuestos químicos (neurotransmisores) que se
depositan en el espacio sináptico (espacio intermedio entre esta neurona transmisora y la neurona
postsináptica o receptora). Estas sustancias segregadas o neurotransmisores (noradrenalina y acetilcolina
entre otros) son los encargados de excitar o inhibir la acción de la otra célula llamada célula post sináptica.
3. Proyecto de Programación en I.A
Rodrigo González Aguilar
-CARACTERISTICAS DE LAS REDES NEURONALES
Las redes neuronales artificiales (RNA) almacenan cierta información aprendida; esta información se registra
de forma distribuida en los pesos asociados a las conexiones entre neuronas de entrada y salida.
Existen dos formas de realizar la asociación entre la información de entrada y de salida. La primera se
denomina heteroasociación, que se refiere al caso en el que la red aprende parejas de datos [(A1, B1), (A2,
B2)… (An, Bn)], de tal forma que cuando se presente cierta información de entrada Ai, la red deberá responder
generando la correspondiente salida Bi. La segunda se conoce como auto asociación, donde la red aprende
ciertas informaciones A1, A2…An, de tal manera que cuando se le presenta una información de entrada
realizará un auto correlación, respondiendo con uno de los datos almacenados, el más parecido al dato de la
entrada.
¿Por qué se dice que en una red neuronal los datos continuamente están cambiando?
Un circuito neuronal es un conjunto de conexiones sinápticas ordenadas que se produce como resultado de
la unión de las neuronas a otras en sus regiones correspondientes tras la migración neuronal. El crecimiento
dirigido de los axones y el reconocimiento de las estructuras sinápticas está mediado por el cono de
crecimiento, que es una especialización en el extremo de cada axón en crecimiento. El cono de crecimiento
detecta y responde a moléculas de señalización que pueden ser de retraimiento, giro o continuación, que
identifican las vías correctas, prohíben las incorrectas y facilitan la formación de sinapsis.
¿Cuáles son los objetivos de las redes neuronales?
El objetivo de las redes neuronales de tipo biológico se constituye en desarrollar un elemento sintáctico que
permita verificar las hipótesis correspondientes a los demás sistemas biológicos. Es decir, las redes neuronales
de tipo biológico deben recibir y procesar información de otros sistemas biológicos y devolver una respuesta
de acción efectiva.
La mayor parte de las neuronas posee una estructura arbórea formada en su mayor parte por dendritas que,
conectadas a otras neuronas, se encargan de recibir los estímulos de entrada neuronales mediante uniones
denominas sinopsis.
ALGORITMOS GENETICOS?
Un algoritmo genético puede presentar diversas variaciones, dependiendo de cómo se aplican los operadores
genéticos (cruzamiento, mutación), de cómo se realiza la selección y de cómo se decide el reemplazo de los
individuos para formar la nueva población. En general, el pseudocódigo consiste de los siguientes pasos:
*Algoritmo genético i: inicialización, f(X): evaluación?: condición de término, Se: selección, Cr: cruzamiento,
Mu: mutación, Re: reemplazo, X*: mejor solución.
*Inicialización: Se genera aleatoriamente la población inicial, que está constituida por un conjunto de
cromosomas los cuales representan las posibles soluciones del problema. En caso de no hacerlo
aleatoriamente, es importante garantizar que dentro de la población inicial, se tenga la diversidad estructural
4. Proyecto de Programación en I.A
Rodrigo González Aguilar
de estas soluciones para tener una representación de la mayor parte de la población posible o al menos evitar
la convergencia prematura.
*Evaluación: A cada uno de los cromosomas de esta población se aplicará la función de aptitud para saber
qué tan "buena" es la solución que se está codificando.
Condición de término El AG se deberá detener cuando se alcance la solución óptima, pero ésta generalmente
se desconoce, por lo que se deben utilizar otros criterios de detención. Normalmente se usan dos criterios:
correr el AG un número máximo de iteraciones (generaciones) o detenerlo cuando no haya cambios en la
población. Mientras no se cumpla la condición de término se hace lo siguiente:
Selección Después de saber la aptitud de cada cromosoma se procede a elegir los cromosomas que serán
cruzados en la siguiente generación. Los cromosomas con mejor aptitud tienen mayor probabilidad de ser
seleccionados.
Recombinación o Cruzamiento La recombinación es el principal operador genético, representa la
reproducción sexual, opera sobre dos cromosomas a la vez para generar dos descendientes donde se
combinan las características de ambos cromosomas padres.
Mutación modifica al azar parte del cromosoma de los individuos, y permite alcanzar zonas del espacio de
búsqueda que no estaban cubiertas por los individuos de la población actual.
Reemplazo una vez aplicados los operadores genéticos, se seleccionan los mejores individuos para conformar
la población de la generación siguiente