VENTAJAS Y DESVENTAJAS DE LAS REDES NEURONALES

Ventajas de una RNA

Las redes neuronales artificiales poseen características similares a las del cerebro, pueden realizar por lo tanto algunas actividades propias del hombre: logran aprender de la experiencia, son capaces de generalizar de casos anteriores a nuevos casos, abstraen características esenciales a partir de entradas con información irrelevante [25].

Dentro de las ventajas, se menciona en [25] las más importantes:

Aprendizaje: Una red neuronal artificial es capaz de aprender, esto se da a partir de un conjunto de datos de entrada que se presenta a la red; mediante un entrenamiento o una experiencia inicial.

Auto organización: Una red neuronal puede tener su propia representación de la información en su interior.

Tolerancia a fallos: Una RNA es muy robusta, pues a pesar de estar dañada parcialmente puede seguir respondiendo de forma aceptable, esto se debe a que almacena la información de forma redundante.

Flexibilidad: Cuando los datos de entrada en una red presentan cambios no muy significativos como ruido, la RNA puede manejar estos cambios adecuadamente.

Tiempo real: La respuesta de una red puede darse en tiempo real, debido a que la estructura de una RNA es en paralelo. Cuando se implementa en dispositivos electrónicos como en una computadora las respuestas pueden ser inmediatas.

Desventajas de una RNA

A pesar de las útiles y variadas aplicaciones de una red neuronal, también tienen ciertas desventajas en su mayoría superables; como señala [29], estas son:

Complejidad de aprendizaje para grandes tareas: Cuando una red neuronal tiene que realizar muchas tareas, también tiene que aprender a realizarlas, entonces enseñarle a la red es un trabajo más complicado.

46

Tiempo de aprendizaje elevado: Cuando una RNA tiene que reconocer o clasificar mayor cantidad de patrones, o si existe patrones muy similares que la red debe identificar, se tiene que invertir más tiempo en lograr unos pesos adecuados que representen lo que se quiere enseñar a la red neuronal.

No permite interpretaciones: La salida de la red es únicamente un número que no puede ser interpretado por ella misma; depende de la aplicación y del programador darle un significado a dicho valor.

Elevada cantidad de datos para el entrenamiento: Cuando se desea que una red aprenda de forma correcta a identificar patrones, se debe enseñar mayor cantidad de información; esto implica varias horas de consumo de CPU, además que un entrenamiento es para un solo problema.

47

CAPÍTULO III

CLASIFICACIÓN DE LAS REDES

NEURONALES POR TIPO DE

48

CLASIFICACIÓN DE LAS REDES NEURONALES POR TIPO DE APRENDIZAJE.

Las redes neuronales artificiales utilizan algoritmos de aprendizaje o de entrenamiento que permitan encontrar valores adecuados para unos parámetros denominados pesos sinápticos; existen dos conceptos fundamentales en el aprendizaje que se explica posteriormente [38].

Esta es la característica más importante de una RNA, debido a que mediante este proceso la red va ajustando internamente los pesos asociados a cada rama para obtener la salida esperada y así pueda responder después por sí sola a situaciones diferentes a las aprendidas [44].

Aprendizaje de las RNAs

Para que una red aprenda, es necesario que siga un proceso que consiste en modificar los pesos de las conexiones en respuesta a una información de entrada, el aprendizaje se encuentra representado en estos pesos. Las conexiones entre las neuronas pueden destruirse, modificarse o crearse en función al valor de sus pesos; es decir si el peso de la conexión toma el valor de 0, la conexión se destruye; cuando el peso toma un valor distinto de 0, la conexión se crea o modifica; y cuando los pesos de las conexiones permanecen estables se considera que el proceso de aprendizaje ha terminado [20].

Existe un aspecto muy importante en el aprendizaje de las redes: conocer como se modifican los pesos, es decir cuáles son los criterios que se siguen para cambiar el valor asignado a las conexiones cuando la red tiene que aprender nueva información; como se mencionó anteriormente existen dos conceptos fundamentales en el aprendizaje, se describe en [20][53][55][59]: Paradigma de aprendizaje y Regla de aprendizaje.

PARADIGMA DE APRENDIZAJE

Se refiere a la información de la que dispone la red. Dentro de este concepto tenemos:

49

 Aprendizaje offline  Aprendizaje supervisado.

o Aprendizaje por corrección de error o Aprendizaje por refuerzo

o Aprendizaje estocástico  Aprendizaje no supervisado

o Aprendizaje Hebbiano

o Aprendizaje competitivo y cooperativo

Aprendizaje On Line

La red puede aprender durante su funcionamiento; no se distinguen fases de entrenamiento y de operación, por lo que los pesos de las conexiones varían de forma dinámica cada vez que se presente una nueva información al sistema. Como

presentan un carácter dinámico, en este tipo de redes es importante analizar la estabilidad.

Aprendizaje Off Line

La red requiere una fase previa de aprendizaje y otra fase de operación, por lo que debe existir un conjunto de datos de entrenamiento y un conjunto de datos de prueba. Los pesos de las conexiones se mantienen fijos después de terminar la etapa de entrenamiento de la red. Este tipo de redes presentan un carácter estático, por lo que los sistemas no muestran problemas de estabilidad durante su funcionamiento.