RNA

Funcionamiento de una neurona biológica

La neurona es una especializada del sistema nervioso que reciben señales del ambiente externo o interno y le transmiten a la medula espinal y encéfalo. La neurona actúa produciendo y transmitiendo rápidas señales eléctricas llamadas impulsos nerviosos. Otras neuronas procesan y almacenan información y otras transmiten información del encéfalo y la medula a músculos, glándulas y otros órganos del cuerpo. Las neuronas de comunican entre sí en sitios de unión llamados sinapsis. La neurona contiene un cuerpo celular alargado, que contiene un núcleo y dos tipos de extensiones citoplasmáticas, las dendritas que son fibras especializadas en la recepción de impulsos y su transmisión al cuerpo celular y el axón que transmiten impulsos desde el cuerpo celular hacia otra neurona, musculo o una glándula.

Funcionamiento de una neurona biológica

Las RNA imitan en cierto modo la estructura y física y el modo de operación de un cerebro. Teniendo en cuenta que el cerebro presenta las cualidades de procesamiento paralelo, procesamiento distribuido y adaptabilidad, un sistema RNA tiene también estas características.

El sistema resulta ser intrínsecamente paralelo porque está formado por unidades elementales de procesamiento llamadas neuronas. Cada neurona realiza un tipo de procesamiento muy simple.

El sistema es distribuido. Esto quiere decir que la información no se almacena localmente en ciertas zonas concretas de la RNA sino que se halla presente por toda ella, en concreto, se almacena en la sinapsis entre las neuronas. De igual forma, la computación es también distribuida. Al calcular la respuesta de la red neuronal, intervienen todos y cada uno de los procesadores elementales, los cuales se hallan distribuidos por toda la arquitectura de la red. Además. Este carácter distribuido hace que la red presente tolerancia a fallos (si se pierde una parte de las neuronas no se pierde toda la información).

Clasificación de las redes neuronales artificiales

Según el criterio que escojamos para clasificar las RNA tendremos una clasificación u otra. Lo más común es usar la arquitectura y el tipo de aprendizaje como criterios de clasificación.

Si nos fijamos en la arquitectura podemos tener dos posibilidades distintas. Si la arquitectura de la red no presenta ciclos, es decir, no se puede trazar un camino de una neurona a sí misma, la red se llama unidireccional (feedforward).

Por el contrario, si podemos trazar un camino de una neurona a sí misma la arquitectura presenta ciclos. Este tipo de redes se denominan recurrentes o realimentados (recurrent).

El otro criterio más habitual para clasificar las redes neuronales es el tipo de aprendizaje que se utilice. Hay cuatro clases de aprendizaje distintos:

a. Aprendizaje supervisado: En este tipo de aprendizaje se le proporciona a la RNA una serie de ejemplos consistentes en unos patrones de entrada, junto con la salida que debería dar la red. El proceso de entrenamiento consiste en el ajuste de los pesos para que la salida de la red sea lo más parecida posible a la salida deseada. Es por ello que en cada iteración se usa alguna función que nos da cuenta del error o el grado de acierto que está cometiendo la red.

b. Aprendizaje no supervisado o auto organizado: En este tipo de aprendizaje se presenta a la red una serie de ejemplos pero no se presenta la respuesta deseada. Lo que hace la RNA es reconocer regularidades en el conjunto de entradas, es decir, estimar una función densidad de probabilidad p(x) que describe la distribución de patrones x en el espacio de entrada Rn.

c. Aprendizaje Híbrido: Es una mezcla de los anteriores. Unas capas de la red tienen un aprendizaje supervisado y otras capas de la red tienen un aprendizaje de tipo no supervisado. Este tipo de entrenamiento es el que tienen redes como las RBF.

d. Aprendizaje reforzado (reinforcement learning): Es un aprendizaje con características del supervisado y con características del auto organizado. No se proporciona una salida deseada, pero sí que se le indica a la red en cierta medida el error que comete, aunque es un error global.

Aprendizaje supervisado: es una serie de patrones de entrada y salida que se le da a una RNA para que esta ajuste las salidas a lo más parecido o similar a las respuestas esperadas.

Aprendizaje no supervisado o auto organizado: es una serie de patrones de entrada que se le da a una RNA para que esta estime las salidas a través de una función de probabilidad.

Problemas que se pueden resolver con RNA

1. Análisis de aplicabilidad de la tecnología de redes neuronales a la resolución óptima de conflictos entre aeronaves en ruta en escenarios "free flight" multiaeronaves.

2. Sistemas de ayuda a la decisión clínica basado en redes neuronales.

3. Redes neuronales y máquinas de vectores soporte para la predicción y modelización de la concentración valle de CICLOSPORINA a CYA en pacientes con trasplante renal.

4. Control VSI de motores de inducción basado en redes neuronales artificiales.

5. Estudio de redes neuronales modulares para el modelado de sistemas dinámicos no lineales.

Bibliografía

SOLOMON, E. y cols. “BIOLOGÍA DE VILLE”, Ed: McGraw-Hill Interamericana; Cuarta Edición: Cap 39; pp 793, 824 – 834. 2001.

http://softwarelibre.unsa.edu.ar/docs/descarga/2003/curso/htmls/redes_neuronales/x24.html

http://www.scielo.org.pe/scielo.php?pid=S1810-99932004000200005&script=sci_arttext

http://www.cibernetia.com/tesis_es/FISICA/ELECTRONICA/REDES_NEURONALES/1