UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLEMAS IMPRECISOS DE OPTIMIZACIÓN, CLASIFICACIÓN
1. UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLEMAS
IMPRECISOS DE OPTIMIZACIÓN, CLASIFICACIÓN.
Autor: Lisseth Pacheco Garcia
Universidad Católica Santo Toribio de Mogrovejo
Resumen: Las redes neuronales proporcionan el beneficio de, mediante el
entrenamiento de las mismas, resolver situaciones de imprecisión de resultados o
conclusiones, de circunstancias vulnerables al error de cálculo humano o
simplemente de una inferencia a priori. Precisamente, para resolver los
problemas reales complejos, existen diversas expresiones de la tecnología de
redes neuronales, que se reflejan en las maneras de realización.
Palabras Claves: Entrenamiento, Imprecisión, Inferencia, Problemas, Realización,
Redes Neuronales, Tecnología.
1. INTRODUCCIÓN en forma de grafo dirigido. Esquemáticamente cada
elemento de procesamiento (neuronas) de la red se
Existen técnicas computacionales que, desde sus representa como un nodo. Estas conexiones
inicios, marcan un paradigma en la creación. Sus establecen una estructura jerárquica que tratando de
aplicaciones, hoy día, van desde la industria de los emular la fisiología del cerebro busca nuevos
juegos hasta las cadenas de producción de varias modelos de procesamiento para solucionar problemas
empresas, pasando por la resolución de problemas de concretos del mundo real. Lo importante en el
imprecisión. Para ello se han desarrollado múltiples desarrollo de la técnica de las RNA es su útil
técnicas como las relacionadas con la inteligencia comportamiento al aprender, reconocer y aplicar
artificial. Las más conocidas son la lógica difusa, relaciones entre objetos y tramas de objetos propios
algoritmos genéticos y redes neuronales. del mundo real. En este sentido, se utilizan las RNA
como una herramienta que podrá utilizarse para
Actualmente las redes neuronales despiertan un resolver problemas difíciles.
ferviente interés investigador en todo el mundo, de
manera tal que profesionales de campos tan diversos
como la ingeniería, la filosofía, la psicología, entre 2.1. Principios de las Redes Neuronales
otros, intrigados por el potencial ofrecido por esta
tecnología, buscan aplicaciones dentro de sus La posibilidad de resolver problemas difíciles es
respectivas disciplinas. dable gracias a los principios de las redes neuronales,
los cinco más importantes son citados por Hilera y
Con las Redes Neuronales se busca la solución de Martínez. Estos son enunciados a continuación:
problemas complejos, no como una secuencia de
pasos, sino como la evolución de unos sistemas de Aprendizaje adaptativo: Esta es quizás la
computación inspirados en el cerebro humano, y característica más importante de las redes neuronales,
dotados por tanto de cierta "inteligencia", los cuales pueden comportarse en función de un entrenamiento
no son sino la combinación de elementos simples de con una serie de ejemplos ilustrativos. De esta forma,
procesos (neuronas) interconectados, que operando no es necesario elaborar un modelo a priori, ni
de forma paralela en varios estilos que serán establecer funciones probabilísticas. Una red
analizados detalladamente, consiguen resolver neuronal artificial es adaptativa porque puede
problemas relacionados con el reconocimiento de modificarse constantemente con el fin de adaptarse a
formas o patrones, predicción, codificación, control y nuevas condiciones de trabajo.
optimización entre otras aplicaciones que finalizarán
con este documento. Autoorganización: Mientras que el aprendizaje es un
proceso donde se modifica la información interna de
la red neuronal artificial, la autoorganización consiste
2. REDES NEURONALES ARTIFICIALES en la modificación de la red completa con el fin de
llevar a cabo un objetivo específico.
Una red neuronal, según Freman y Skapura, es un Autoorganización significa generalización, de esta
sistema de procesadores paralelos conectados entre sí forma una red puede responder a datos o situaciones
que no ha experimentado antes, pero que puede
2. inferir sobre la base de su entrenamiento. Esta
característica es muy útil sobre todo cuando la Una función de activación, que modifica a la
información de entrada es poco clara o se encuentra anterior. Puede no existir, siendo en este caso la
incompleta. salida la misma función de propagación.
Tolerancia a fallos: En la computación tradicional la Una función de transferencia, que se aplica al valor
pérdida de un fragmento pequeño de información devuelto por la función de activación. Se utiliza para
puede acarrear comúnmente la inutilización del acotar la salida de la neurona y generalmente viene
sistema. Las redes neuronales artificiales poseen una dada por la interpretación que queramos darle a
alta capacidad de tolerancia a fallos. Se entiende por dichas salidas. Algunas de las más utilizadas son la
ello que las redes pueden reconocer patrones de función sigmoidea (para obtener valores en el
información con ruido, distorsión o incompletos, intervalo [0,1]) y la tangente hiperbólica (para
pero que, además, pueden seguir trabajando aunque obtener valores en el intervalo [-1,1]).
se destruya parte de la red (con cierta degradación).
La explicación de este fenómeno se encuentra en que
mientras la computación tradicional almacena la 2.3. Ventajas.
información en espacios únicos, localizados y
direccionables, las redes neuronales lo hacen de Las redes neuronales artificiales (RNA) tienen
forma distribuida y con un alto grado de redundancia. muchas ventajas debido a que están basadas en la
estructura del sistema nervioso, principalmente el
Operación en tiempo real: Las redes neuronales cerebro.
artificiales, de todos los métodos existentes, son las
más indicadas para el reconocimiento de patrones en Aprendizaje: Las RNA tienen la habilidad de
tiempo real, debido a que trabajan en paralelo aprender mediante una etapa que se llama etapa de
actualizando todas sus instancias simultáneamente. aprendizaje. Esta consiste en proporcionar a la RNA
Es importante destacar que esta característica solo se datos como entrada a su vez que se le indica cuál es
aprecia cuando se implementan redes con hardware la salida (respuesta) esperada.
especialmente diseñados para el procesamiento
paralelo. Auto organización: Una RNA crea su propia
representación de la información en su interior,
Fácil inserción en la tecnología existente: Es descargando al usuario de esto.
relativamente sencillo obtener chips especializados
para redes neuronales que mejoran su capacidad en Tolerancia a fallos: Debido a que una RNA
ciertas tareas. Ello facilita la integración modular en almacena la información de forma redundante, ésta
los sistemas existentes. puede seguir respondiendo de manera aceptable aun
si se daña parcialmente.
2.2. Funcionamiento Flexibilidad: Una RNA puede manejar cambios no
importantes en la información de entrada, como
Las redes neuronales consisten en una simulación de señales con ruido u otros cambios en la entrada (por
las propiedades observadas en los sistemas ejemplo si la información de entrada es la imagen de
neuronales biológicos a través de modelos un objeto, la respuesta correspondiente no sufre
matemáticos recreados mediante mecanismos cambios si la imagen cambia un poco su brillo o el
artificiales (como un circuito integrado, un ordenador objeto cambia ligeramente).
o un conjunto de válvulas). El objetivo es conseguir
que las máquinas den respuestas similares a las que Tiempo real: La estructura de una RNA es paralela,
es capaz de dar el cerebro que se caracterizan por su por lo cual si esto es implementado con
generalización y su robustez. computadoras o en dispositivos electrónicos
especiales, se pueden obtener respuestas en tiempo
Una red neuronal se compone de unidades llamadas real.
neuronas. Cada neurona recibe una serie de entradas
a través de interconexiones y emite una salida. Esta
salida viene dada por tres funciones: 2.4. Campos de Aplicación:
Una función de propagación (también conocida Procesamiento de señales y datos
como función de excitación), que por lo general Reconocimiento y Clasificación de Patrones
consiste en el sumatorio de cada entrada multiplicada Categorización de Patrones ("clustering")
por el peso de su interconexión (valor neto). Si el Aproximación y seguimiento de funciones
peso es positivo, la conexión se denomina Procesamiento y reconocimiento de voz e
excitatoria; si es negativo, se denomina inhibitoria. imágenes
3. Robótica En las RNB, el aprendizaje es el resultado de un
Predicción complejo proceso químico-eléctrico en la sinapsis,
Optimización desatado a raíz de información que llega proveniente
Sistemas de Control del exterior por los sentidos. Las RNA lo hacen
Medicina modificando sus pesos sinápticos como consecuencia
Sistemas financieros de la introducción de información de diversa índole:
Industria Química imágenes, probabilística (con ruido, difusa,
imprecisa. . .), etc.
3. PROBLEMAS IMPRECISOS DE OPTIMIZACIÓN Pero, ¿qué es aprender? Pues el proceso de
aprendizaje consiste en, a partir de mucha y diversa
Este tipo de problemas, no son otros que los información que llega por todo tipo de medios, ser
problemas reales, pues se caracterizan por su capaz de integrarla y abstraerla para generar nueva
incertidumbre, ruido e imprecisión en los datos, etc. información y conocimientos aplicables a situaciones
nuevas. En suma, es capacidad de generalización.
Por tanto, los sistemas conexionistas (redes
neuronales artificiales) deben reflejar cierta De esta manera, es que al tratar y estudiar problemas
tolerancia a dicha imprecisión e incertidumbre. Es reales (imprecisos) y al querer llegar a una solución
decir, las RNA no se aplican a algo de tipo óptima, se plantea la utilización de tecnología de
algorítmico sino todo lo contrario, se vuelven útiles redes neuronales para su resolución con
frente a problemas para los que no existe o no se optimización. Y eso será motivo de siguiente ítem del
conoce un algoritmo que los aborde o los resuelva; o presente artículo.
bien cuando dicho algoritmo existe pero resulta
computacionalmente demasiado lento o caro
(recordemos que las RNA suelen ser muy rápidas en 4. TECNOLOGÍAS DE REDES NEURONALES.
funcionamiento).
En la búsqueda de sistemas inteligentes en general, se
Las RNA están inspiradas en las redes de neuronas ha llegado a un importante desarrollo del software,
biológicas, tanto en su estructura como en su dentro de esta línea se encuentran algunos de los
comportamiento (algoritmos genéticos, computación neurocomputadores comerciales destinados a la
molecular). Ahora bien, una neurona biológica, realización de redes neuronales. Por otro lado la
comparada con cualquier otro dispositivo eléctrico, realización de RNA puede llevarse a cabo por medio
es muy lenta. ¿Por qué, entonces, funcionan y dan tan de uno o varios circuitos integrados específicos, para
buen resultado las RNA? Debido a su alto grado de así poder obtener una estructura que se comporte lo
paralelismo; su lentitud se compensa con el gran más similar posible a como lo haría una red neuronal.
número de componentes que las forman y trabajan al
unísono. Otra tecnología que podría ser apropiada en la
implementación de las redes neuronales es la
Las Redes Neuronales Biológicas (RNB) (del ser tecnología electroóptica, con la ventaja de utilizar la
humano) pueden verse, siguiendo la idea anterior, luz como medio de transporte de la información,
como dispositivos no lineales con una alta capacidad permitiendo la transmisión, masiva de datos.
de paralelismo caracterizado sobre todo por una gran
robustez y tolerancia a fallos. Resultan 4.1. Realización de Redes Neuronales:
excepcionalmente buenas en tareas tales como:
Procesos de inferencia, Tareas de sentido común, y La realización más simple e inmediata consiste en
Procesado de imágenes; y es por ello por lo que las simular la red sobre un ordenador convencional
RNA intentan y pretenden emular las RNB. Son mediante un software específico. Es un
tareas que el ser humano lleva a cabo muy bien y que procedimiento rápido, económico, e instituible, pero
pretenden ser automatizadas (dominios de aplicación: su mayor desventaja radica en el hecho de que se
reconocimiento de patrones, predicción, intentan simular redes con un alto grado de
optimización, control, memorias asociativas, etc.). paralelismo sobre máquinas que ejecuten
secuencialmente las operaciones. Valores intrínsecos
Deben distinguirse bien los conceptos de emular y de las redes neuronales no pueden obtenerse de esta
simular, que es aplicable a los sistemas expertos. forma.
Ambos significan un intento de reproducir el
comportamiento, pero en la emulación, además, se Otro método es la realización de redes neuronales a
trata de imitar no sólo unas reglas de funcionamiento, través de arquitecturas orientadas a la ejecución de
sino la estructura interna de algo. procesos con un alto de paralelismo, tales como
redes de transputers, arquitecturas sistólicas, etc. Este
método es una optimización del anterior, ya que el
4. acelera el proceso, permitiendo una respuesta en digitales y con la alternativa de matriz de neuronas o
tiempo real, pero el comportamiento real de la red de sinapsis.
sigue siendo simulado por una estructura ajena a la
estructura intrínseca de una red neuronal. 5. CONCLUSIONES
Una tercera aproximación radicalmente distinta es la Las RNA han sido aplicadas en un gran número de
realización de redes neuronales mediante su problemas reales de complejidad considerable. Su
implementación por uno o varios circuitos más importante ventaja es la de resolver problemas
integrados específicos. Son los llamados chips que son muy complejos para tecnologías
neuronales. Las neuronas y las conexiones se emulan convencionales, problemas que no tienen una
con dispositivos específicos, de forma que la solución determinística o para los cuales una solución
estructura del circuito integrado refleja la arquitectura determinística es muy complicado encontrarla.
de la red. Se consigue de esta forma realizaciones
que funcionan a alta velocidad, pero a costa de una En general, por ser una abstracción del cerebro
pérdida notable de velocidad. biológico, las RNA son buenas para resolver aquellos
problemas que las personas resuelven
adecuadamente, pero que los computadores no. Estos
4.2. Herramientas software de desarrollo: problemas, entre otros, incluyen reconocimiento de
patrones y problemas de pronóstico (los cuales
La comercialización de productos software es la requieren el reconocimiento de una tendencia en unos
forma más extendida para simular redes neuronales, datos).
debido a las ventajas citadas anteriormente. La
diferencia entre los distintos productos software
radica en aspectos tales como el tipo y el número de 6. REFERENCIAS BIBLIOGRÁFICAS
arquitecturas de red que soporta, velocidad de
procesamiento, interfaz gráfica, exportación de GESTAL-POSE, M. (2009-12-04). Introducción a
código C para el desarrollo automático de las Redes Neuronales. Coruña, First edition.
aplicaciones, etc. HURTADO, J; ÁLVAREZ, D. (2002). Optimización
basada en confiabilidad por medio de redes
Algunos de los productos comerciales son: ANSim neuronales y algoritmos evolutivos. Revista
(DOS), ExpertNet (DOS, Windows), Neuralesk Internacional de Métodos Numéricos para
(Windows), Neuralworks Pro II/Plus (DOS, OS/2, Cálculo y Diseño en Ingeniería. Manizales-
UNIX, VMS). Colombia. Vol. 18, 4, 573-593.
Neurocomputadores de propósito especial y de
propósito general: Como se sabe un
7. LINCOGRAFÍA
neurocomputador es básicamente un conjunto de
procesadores conectados con cierta regularidad que
CASTRO, L; SANCHEZ, A; DORADO, J. (2002).
operan concurrentemente. Los de propósito general
Redes de Neuronas Artificiales. Consultado el 5
deben ser capaces de emular un gran número de
de febrero de 2011 de:
modelos de red neuronal. Los de propósito especial
http://www.madsgroup.org/~laura/recursos-
han sido diseñados para implementar un modelo
ii/RNA.pdf.gz
específico de red neuronal.
Redes Neuronales (2000-08-03). Consultado el 2 de
febrero del 2011 de:
Implementación microelectrónica (VLSI). En general
http://members.tripod.com/jesus_alfonso_lopez/
si la red ha estado previamente simulada y su
RnaIntro.html
configuración de conexiones perfectamente
Red Neuronal Artificial (2010). Consultado el 5 de
determinada, se busca la implementación sobre un
febrero del 2011 de:
circuito de conexiones fijas. La presentación del
http://es.wikipedia.org/wiki/Red_neuronal_artifi
panorama que actualmente existe en el ámbito de la
cial
implementación VLSI de redes neuronales resulta
complicada por la gran cantidad de aportaciones
existentes, tanto en soluciones analógicas como