Redes neuronales

Se basan en la organización y comportamiento de las redes de neuronas en el cerebro humano. Como es natural, éste basa su inmensa capacidad de cálculo en diversos factores y solamente algunos de éstos son los que pretenden simular las redes neuronales artificiales. En el cerebro humano existen millones de células denominadas neuronas que se estructuran en una inmensa red que puede ir variando con el tiempo y el aprendizaje. Una neurona es una célula especializada con una morfología específica en la que destacan un cuerpo voluminoso (en el que se halla el núcleo de la célula y un conjunto de

38

ramificaciones con un contorno irregular denominadas dendritas), así como una prolongación específica denominada axón con una serie de terminaciones que se dirigen hacia otra neurona.

Figura 2.1 Morfología de una neurona

Las neuronas transmiten impulsos nerviosos entre ellas a base de provocar una unión intercelular especializada. En general, se puede decir que provocan una diferencia de potencial entre las terminales del axón de una neurona y las dendritas de la siguiente. Esta diferencia de potencial se consigue en base al uso de la "bomba de sodio-potasio" y permite que la señal pase de una célula a otra. Evidentemente, la presencia en mayor o menor medida de los diferentes elementos necesarios para llevar a cabo esa transmisión (elementos denominados neurotransmisores) son los que marcan la mayor o menos fluidez con que se lleva a cabo este proceso, que se denomina sinapsis.

En esta enorme red de neuronas, los "caminos" que más se ejercitan se refuerzan más en comparación con los menos utilizados. De esta manera, los neurotransmisores activados permanecen por más tiempo y facilitan la realización de nuevas sinapsis entre aquellas neuronas que forman parte de dichos caminos. Por tanto, la participación de una determinada célula en la transmisión del impulso nervioso es, de alguna manera, proporcional al número de veces que ha participado en las transmisiones anteriores como respuesta a un determinado estímulo.

Las redes neuronales artificiales tratan de simular este sistema organizativo en el que un elemento aparece conectado a muchos otros a través de sus terminaciones y en el que los estímulos se transmiten de unos individuos a otros para poder formar un conocimiento global en toda la red. Para poder hacerlo, se determinaron los parámetros que podían condicionar el comportamiento de una red de estas características y se llegó a una simulación en la que se distribuían las neuronas formando niveles o capas. Cada uno de estos niveles está compuesto por un número determinado de elementos (células), que se conectan entre sí de diferentes maneras, dando lugar a las redes de propagación hacia adelante si todas las salidas de las neuronas de una capa son la entrada del nivel siguiente y a redes de propagación hacia atrás si a través de las conexiones existente se puede realizar algún tipo de retroalimentación hacia capas anteriores o incluso hacia la misma célula. En

39

principio, puede haber capas de entrada, capas de salida y capas ocultas, con diferentes estructuras.

Figura 2.2 Red neuronal: perceptrón multicapa

De manera simplificada, visto desde su exterior, lo que se tiene es un elemento al que se le aportan un número de entradas (datos) y tras un determinado proceso (cálculo), genera una salida. Internamente, la organización de este proceso puede ser muy compleja pero se puede afirmar que una de las características principales de una red neuronal artificial es que es capaz de "reforzar caminos", tal y como hace el cerebro, a base de dar mayor importancia a algunas de las conexiones entre las diferentes neuronas. Dado que cada una de las células dispone de una función de propagación, se usa ésta para calcular el valor de salida de la neurona dependiendo de los pesos de cada una de las conexiones. Las neuronas disponen también de una función de activación y de una función de transferencia que anulan o modifican los valores obtenidos por la función de propagación. Al fin y al cabo, lo que se está simulando son las conexiones sinápticas entre neuronas y el peso en cada una de las conexiones representa, de alguna manera, cuán arraigada está una conexión y cuán fácil será generar una sinapsis significativa entre dos células.

Para poder determinar este tipo de factores que tanto influye en el resultado de la computación, las redes neuronales artificiales, al igual que el cerebro humano, necesita de un periodo de aprendizaje. Las redes neuronales artificiales se pueden clasificar según el tipo de aprendizaje que necesiten, siendo la división más habitual la realizada entre el aprendizaje supervisado y el no supervisado. En el primer caso se le proporcionan a la red datos cuya salida esperada es conocida. A base de comparar los valores obtenidos con los esperados, este proceso denominado entrenamiento, va corrigiendo los diferentes pesos de cada una de las conexiones entre los elementos hasta obtener una respuesta válida. Una vez entrenada la red ya se le pueden proporcionar nuevos datos asumiendo que la salida que se va a obtener será la correcta. En el segundo caso, denominado también auto organizado, no se necesita del conocimiento previo de las salidas y el entrenamiento

40

consiste, de forma general, en la comparación del conjunto de datos con los vectores de pesos de cada neurona, modificándolos si fuese necesario.

Toda esta estructura da lugar a una organización especialmente indicada para la resolución de todos aquellos problemas que tengan que ver de alguna manera con la clasificación de elementos. La red neuronal, en base a las clasificaciones aprendidas en el entrenamiento, es capaz de clasificar, por proximidad, elementos desconocidos cuyas características la hacen similar a alguna de las ya conocidas pero que son imposibles de identificar a simple vista. Así, el reconocimiento de patrones, ya sea de imágenes, voz o cualquier otro tipo de señales son las aplicaciones más comunes. Un ejemplo práctico actual es la posible utilización de estas redes para la clasificación de enfermedades poco comunes dentro de conjuntos para poder aplicar tratamientos efectivos conocidos en base a características medibles de las propias enfermedades.

Algunas de las ventajas que presentan las redes neuronales artificiales son:

 Responden a una estructura adaptativa cuyo aprendizaje puede variar, por lo que no es necesaria la elaboración de complejos modelos que respondan al problema a estudiar. Las redes neuronales artificiales tienen la capacidad de auto-ajustarse de manera que cada uno de los elementos pueda mantener el nivel determinado de participación que lleve a una solución aceptable.

 En determinados casos, este tipo de estructuras son auto-organizativas, de tal manera que utilizando su capacidad de adaptación expuesta en el apartado anterior, son capaces de reestructurar la red completa para responder a entradas que no son muy claras.

 Dado que la propia red es redundante en cuanto a la información (la información no está localizada en un único punto), si el número de fallos no es muy alto, el sistema es capaz de compensarlos respondiendo de manera aceptable.

 Gracias a la naturaleza paralela inherente en las redes neuronales, estos sistemas pueden ser usados para obtener respuestas en tiempo real.