Las REDES NEURONALES ARTIFICIALES  ¡en dos palabras!

1. Introducción

El Control de los años 90, llamado Control Inteligente, se caracteriza porque en él se han desarrollado diferentes metodologías que abordan los problemas que no pueden ser formulados mediante los métodos tradicionales. Las aplicaciones de hoy en día, por ejemplo mover el brazo de un robot de una nave espacial en órbita, son muy complejas y requieren un proceso "inteligente" de la información para ser resueltas. 

Entre estas nuevas metodologías, las Redes Neuronales Artificiales destacan por su progresivo desarrollo y éxito en una extensa gama de aplicaciones.  Esta nueva tecnología, también llamada Computación Neuronal, comienza a ser considerada como una alternativa de computación cooperante con los métodos convencionales de cálculo.

2. ¿Qué son las Redes Neuronales Artificiales?

Las Redes Neuronales Artificiales están inspiradas en el cerebro humano y utilizan un extenso conjunto de unidades procesadoras básicas (neuronas artificiales) densamente interconectadas mediante un apropiado conjunto de conexiones (pesos) entre ellas. El modo en el que se conectan las neuronas puede presentar diferentes estructuras (arquitecturas feed-forward o recurrente) y las redes se constituyen a partir de capas de neuronas interconectadas (capa de entrada, capas intermedias y capa de salida). 

3. ¿Cómo funcionan las Redes Neuronales Artificiales?

Hay dos fases, la fase de entrenamiento y la fase de utilización. En la fase de entrenamiento o fase de aprendizaje, los pesos se ajustan según un algoritmo (regla de aprendizaje) para presentar el mejor comportamiento para los datos de entrenamiento. En la fase de utilización o fase de ejecución, los pesos permanecen fijos y la red calcula el vector de salida correspondiente al vector presentado en la capa de entrada. 

4. ¿Qué características propias del cerebro humano presentan las Redes Neuronales Artificiales?

Las Redes Neuronales Artificiales pueden aprender de la experiencia (datos), pueden generalizar de ejemplos previos a ejemplos nuevos, y también pueden abstraer las características esenciales de un conjunto de datos. Estas características son muy atractivas para aquellas aplicaciones donde los métodos tradicionales no están obteniendo buenos resultados.Existen muchos paradigmas o modelos de Redes Neuronales Artificiales, y la elección de una de ellas para una aplicación (Predicción, Clasificación, Asociación, Conceptualización, Filtrado y Optimización) determinada se realiza en función de las características del problema; entre otras aplicaciones se pueden destacar, Visión (Reconocimiento y Compresión de imágenes), Procesado de señales (Modelado de sistemas, filtrado, predicción) y Síntesis de funciones (Inspección Industrial, Correlación de medidas no destructivas, Problema Inverso). 

5. ¿Cómo se implementan las Redes Neuronales Artificiales?

Se puede clasificar la realización de la Redes Neuronales Artificiales en tres categorías: a) Simuladores Software, programas de ordenador que simulan el comportamiento de las redes; en clase presentaremos una paquete SW de Neural Works Inc. b) Emuladores Hardware, máquinas multiprocesadores de propósito general (arquitecturas SIMD, MIMD) y c) circuitos integrados llamados Neuro-Chips, diseñados especificamente para ejecutar Redes Neuronales Artificiales.