Francisco Xavier Basilio Hernández

UNIVERSIDAD VERACRUZANA
Facultad de Contaduría y Administración
Las redes neuronales con un
Enfoque organizacional
MONOGRAFÍA:
Para obtener el título de:
Licenciado en Sistemas
Computacionales Administrativos
Presenta:
Francisco Xavier Basilio Hernández
Asesor:
MSI. Jorge Iván Ramírez Sandoval
Xalapa-Enríquez, Veracruz
Noviembre 2014
UNIVERSIDAD VERACRUZANA
Facultad de Contaduría y Administración
Las redes neuronales con un
Enfoque organizacional
MONOGRAFÍA:
Para obtener el título de:
Licenciado en Sistemas
Computacionales Administrativos
Presenta:
Francisco Xavier Basilio Hernández
Asesor:
MSI. Jorge Iván Ramírez Sandoval
Xalapa-Enríquez, Veracruz
Noviembre 2014
DEDICATORIAS
A mis padres Armando y Guadalupe:
Por haberme apoyado durante todo el transcurso de mi carrera,
dándome su confianza y los consejos necesarios para seguir adelante y
no doblegarme ante situaciones difíciles. Al mismo tiempo doy gracias
porque me hayan brindado una oportunidad para tener una profesión lo
que me permitirá seguir preparándome y será una base para mi futuro.
A mis abuelitos:
Por estar y haber compartido tiempo y momentos únicos con cada uno
de ellos, y también porque son la base principal de que yo este hoy en
día logrando una etapa de estudios más, de muchas que pretendo seguir
alcanzando.
A mis hermanos Fernando y Julio:
Por confiar en mí y apoyarme, y ser una inspiración más para mi
hermano menor para que siga preparándose y algún día pueda yo, ver
su logro alcanzado.
A Marcela Zavaleta:
Por su apoyo incondicional, por estar siempre en los mejores y no tan
buenos momentos apoyándome de todas las formas que puedan existir,
dándome consejos y alentándome para no darme por vencido.
ÍNDICE
CAPÍTULO I: FUNDAMENTOS DE LAS REDES NEURONALES .......................... 6
1.1 Hechos históricos ........................................................................................... 7
1.2. La neurona biológica ................................................................................... 13
1.3. El prototipo neuronal biológico y su composición........................................ 15
1.3.1. Soma o cuerpo celular .......................................................................... 15
1.3.2. Dendritas .............................................................................................. 15
1.3.3. Axón...................................................................................................... 15
1.3.4. Receptor ............................................................................................... 16
1.3.5. La sinapsis ............................................................................................ 16
1.3.6. Fenómenos que ocurren durante la sinapsis ........................................ 17
1.4. Las redes neuronales biológicas ................................................................. 19
1.5. La neurona artificial ..................................................................................... 21
1.5.1. El perceptrón ........................................................................................ 23
1.5.2. Cómo funciona la neurona artificial ....................................................... 25
1.5.3. Tipos de neuronas artificiales ............................................................... 27
1.5.4. Analogía entre la neurona biológica y la neurona artificial .................... 27
1.6. Conceptos de redes neuronales artificiales ................................................ 29
1.7. Aprendizaje de las redes neuronales artificiales ......................................... 30
1.7.1. Aprendizaje supervisado ....................................................................... 31
1.7.2. Entrenamiento no supervisado ............................................................. 33
1.7.3. Elección del conjunto inicial de pesos. .................................................. 35
1.7.4. Codificación de los datos de entrada .................................................... 35
1.7.5. Validación de la red neuronal ............................................................... 36
1.7.6. En síntesis: Qué son las redes neuronales artificiales .......................... 36
1.8. Ventajas de las redes neuronales artificiales .............................................. 37
1.8.1. Aprendizaje adaptativo ......................................................................... 38
1.8.2. Autoorganización .................................................................................. 39
1.8.3. Tolerancia a fallos ................................................................................. 39
1.9. Principales topologías ................................................................................. 40
II
1.9.1. Topología de las redes neuronales ...................................................... 40
1.9.2. Redes monocapa .................................................................................. 40
1.9.3. Redes multicapa ................................................................................... 41
1.10. Tipos de RNAs .......................................................................................... 42
1.10.1. Adaline y Madaline.............................................................................. 42
1.10.2. Hopfield............................................................................................... 44
1.10.3. ART..................................................................................................... 45
CAPÍTULO II: LAS REDES NEURONALES APLICADAS AL ENTORNO
ORGANIZACIONAL .............................................................................................. 47
2.1. Concepto de organización .......................................................................... 48
2.2. Las redes neuronales en la organización .................................................... 49
2.3. Implementación de las redes neuronales .................................................... 51
2.4. Ventajas de las redes neuronales aplicadas a la organización ................... 52
CAPITULO III: EJEMPLOS PRÁCTICOS DE REDES NEURONALES
ARTIFICIALES ...................................................................................................... 53
3.1. El perceptrón multicapa para modelizar la situación de quiebra en los
bancos. .............................................................................................................. 54
3.2. WEBSOM .................................................................................................... 56
3.3 Ibermática: sistema de reconocimiento de imágenes .................................. 57
3.4. Trabajos desarrollados en Colombia ........................................................... 59
3.5. Sistema de inspección de Gaseoductos/Oleoductos: NEUROPIPE ........... 59
3.6. Tratamiento Anaeróbico de Aguas Residuales ........................................... 60
3.7. RNAs para Calificar la Capacidad de Crédito de Entidades Mexicanas de
Gobierno ............................................................................................................ 62
CONCLUSIONES.................................................................................................. 65
FUENTES DE INFORMACIÓN ............................................................................. 68
GLOSARIO............................................................................................................ 72
ÍNDICE DE FIGURAS ........................................................................................... 74
ÍNDICE DE IMÁGENES ........................................................................................ 75
ÍNDICE DE TABLAS ............................................................................................. 76
ÍNDICE DE ESQUEMAS ....................................................................................... 77
III
RESUMEN
La presentación de esta monografía describe los fundamentos de las redes
neuronales, así como de manera general se da un enfoque basado a la
implementación de las redes neuronales en el ámbito organizacional, con la
finalidad de entender sus funcionalidades dentro de ella.
Como primer tema, se consideran algunas definiciones y conceptos que describen
partes fundamentales para poder entender el comportamiento de las redes
neuronales tanto biológicas como artificiales ya que tienen características
similares con suma importancia para el desarrollo y la aplicación de sus
funcionalidades en distintas ramas de la ciencia.
Por último, se presenta un apartado en el que se analizan algunos casos reales,
en los que se ha considerado la implementación de las redes neuronales en
distintos tipos de sistemas que realizan diferentes actividades con el propósito de
conseguir mayor eficiencia de sus procesos y al mismo tiempo predecir
situaciones para obtener mejores resultados.
1
INTRODUCCIÓN
El hombre durante mucho tiempo se ha distinguido siempre por su búsqueda
inquebrantable de nuevas vías para mejorar sus condiciones de vida. Este factor
lo ha puesto en la necesidad de apostar por alternativas capaces de resolver y
facilitar el desarrollo de tareas de manera más eficiente, reduciendo el trabajo
mental y físico, para obtener un mejor rendimiento mediante el uso de tecnologías
y descubrimientos científicos.
El desarrollo de las redes neuronales tiene que ver con diversas ramas de la
ciencia, como la medicina en el análisis de imágenes médicas, campos de
ultrasonido, etc., la implementación en proyectos científicos, así como en la
psicología y la educación entre otras.
Uno de esos conceptos científicos que, desde hace años ha dado el salto de las
ciencias de la salud a otros espacios ha sido el de las redes neuronales. Las redes
neuronales han servido como modelo inspirador de numerosos diseños
relacionados con la informática, con el procesamiento de información de las
máquinas e, incluso, con la gestión de proyectos.
La realidad empresarial, y sobre todo, la realidad de la organización empresarial
se asemejan ahora mucho a esta situación. Las compañías se encuentran, en
gran medida, ante situaciones antes no conocidas que requiere de una gran
capacidad adaptativa, rapidez en la respuesta, flexibilidad y conocimiento para
trabajar en la incertidumbre. Y ante ella se enfrentan con estructuras pesadas y
lentas heredadas de prácticas pasadas que impiden poderse mover de forma
adecuada.
Sin embargo, la aplicación de las redes neuronales se ha vuelto un gran reto para
la organización ya que busca crear espacios que permitan que se formen redes
que procesen la información
y que la dirección de las salidas de esa red
contribuya a la consecución de los objetivos.
Por razones como estas, en la actualidad la demanda de las redes neuronales
incrementa debido al alto índice de empresas que las implementan con el fin de
3
hallar soluciones y mejores maneras para realizar muchas de las funciones que
realizan sistemas poco sofisticados.
Las redes neuronales artificiales en pocas palabras son otra de las varias formas
de intentar imitar las características únicas del ser humano, como la capacidad de
memorizar y de asociar hechos históricos con el presente. Si se exploran con
atención aquellos problemas que no pueden expresarse a través de un algoritmo,
se observará que todos ellos tienen una característica en común con la
experiencia.
El hombre tiene la capacidad para resolver estas situaciones acudiendo a la
experiencia adquirida. Así, parece claro que una forma de aproximarse al
problema consista en la construcción de sistemas que sean capaces de reproducir
esta característica humana.
Dicho de otra manera, las redes neuronales no son más que un modelo artificial y
simplificado del cerebro humano, que es el ejemplo más perfecto del que
disponemos para un sistema que es capaz de adquirir conocimiento a través de la
experiencia. Una red neuronal es un sistema para procesamiento de la
información, cuya unidad básica de procesamiento está inspirada en la neurona.
Se sabe que las redes neuronales se clasifican en dos tipos: las redes neuronales
naturales o biológicas y las redes neuronales artificiales por ello en este trabajo se
tocan algunos conceptos para poder entender el tema, así como un poco de la
historia y el punto de vista de algunos de los científicos que aportaron a poder
entender el comportamiento de esta rama de la neurología.
Por ello se pretende ampliar el panorama acerca del impacto que puede tener la
implementación de nuevos procesos y sistemas basados en las redes neuronales
dentro de una organización.
El objetivo de este trabajo es informar acerca de la funcionalidad que tienen las
redes neuronales dentro de las organizaciones y de esta forma ampliar los
conocimientos que se tienen acerca de esta rama de la ciencia.
4
En el capítulo I, se exponen algunas definiciones de la estructura neuronal de
acuerdo a algunos autores, con el fin de entender a fondo lo que implica la
formación de una red neuronal para su buen funcionamiento, así como la parte
teórica del trabajo la cual conlleva parte de las investigaciones que respaldan gran
parte de la investigación de este trabajo.
Por otro lado el capítulo II, está basado en las investigaciones y aportaciones que
se han hecho durante los últimos años y que han sido de suma importancia para el
desarrollo de la ciencia y el descubrimiento de nuevas aplicaciones para las redes
neuronales.
Por último en el capítulo III, se presentan una serie de ejemplos reales que
amplíen la expectativa hacia las redes neuronales y maximicen el entendimiento
de estas mismas de manera implementada.
Al término de este trabajo se presentan las conclusiones en las que se destaca la
manera en que las redes neuronales pueden aplicarse dentro de la organización
con el fin de agilizar los procesos y perseguir los objetivos buscados.
Es importante mencionar que para la realización de este trabajo denominado
Monografía de las Redes neuronales con un enfoque organizacional, se hizo una
extensa investigación siendo necesaria la consulta de diferentes fuentes de
información, tales como páginas web, tesis, libros, documento web. Con el fin de
proporcionar información relevante, actual e importante para la consulta.
5
CAPÍTULO I: FUNDAMENTOS DE LAS REDES
NEURONALES
A fin, de comprender el tema principal de la monografía, es necesario dar a
conocer el origen histórico de los estudios con respecto al comportamiento y
función de las neuronas y las redes neuronales, ya que a partir de esos hechos
históricos ha sido posible conocer con detalle la ciencia que estudia estos
fenómenos y así ampliar el conocimiento y desarrollo de las investigaciones.
1.1 Hechos históricos
Conseguir diseñar y construir máquinas capaces de realizar trabajos con cierta
inteligencia ha sido uno de los principales objetivos y preocupaciones
de los
científicos a lo largo de la historia. De los intentos realizados en este sentido se
han llegado a definir las líneas fundamentales para la obtención de máquinas
inteligentes: En un principio los esfuerzos estuvieron dirigidos a la obtención de
autómatas, en el sentido de máquinas que realizaran, con más o menos éxito,
alguna función típica de los seres humanos. Pero esto no era más que el resultado
del desarrollo técnico de la habilidad mecánica de los constructores de tales
artefactos.
Sin embargo, en esta misma línea se sigue investigando hoy en día con
herramientas
enormemente
sofisticadas
y
con
resultados
realmente
sorprendentes: la habilidad mecánica ha pasado a convertirse en disponibilidad
microinformática (sistemas expertos, etc.), de forma que actualmente existen
diversas maneras de realizar procesos similares a los inteligentes y que podemos
encuadrar dentro de la denominada inteligencia artificial.
Por lo tanto, a pesar de disponer de herramientas y leguajes de programación
diseñados expresamente para el desarrollo de máquinas inteligentes, existe un
problema de fondo que limita enormemente los resultados que se pueden obtener:
7
Estas máquinas se implementan sobre ordenadores basados en la filosofía del
funcionamiento expuesta inicialmente por J. Von Neumann en 1945, y se apoyan
en una descripción secuencial del proceso de tratamiento de la información. El
elevado nivel y desarrollo de estos ordenadores, por espectacular y complejo que
haya llegado a ser, no deja de seguir la línea antes expuesta: una máquina
puramente mecánica que es capaz de realizar tareas mecánicas (de cálculo,
ordenación o control) de forma increíblemente rápida, pero incapaz de obtener
resultados aceptables cuando se trata de tareas sencillas, por ejemplo, para un
ser humano de corta edad (reconocimiento de formas, habla, etc.).
Por lo que, no se trata de construir máquinas que compitan con los seres
humanos, sino que realicen ciertas tareas y un rango intelectual con que ayudarle,
lo que supone en un principio básico de la inteligencia artificial.
Dicho de otro modo, los sistemas que se lleguen a desarrollar no van a suponer la
desaparición de los ordenadores, tal como hoy los entendemos, por lo menos en
aquellas tareas para las que están mejor dotados incluso mejor que los seres
humanos.
La clase de las llamadas máquinas cibernéticas, a la cual la computación neuronal
pertenece, tiene una historia de lo que se cree ha preexistido por siglos.
Alan Turing (1936). Uno de los primeros científicos en estudiar las funciones del
cerebro humano como una manera de adentrarse al mundo de la computación.
Sin embargo, los primeros que desarrollaron la parte teórica como los
fundamentos de la computación neuronal fueron Warren McCulloch, un
neurofisiólogo, y Walter Pitts, un matemático, quienes, en 1943, lanzaron una
teoría acerca de la forma de trabajar de las neuronas; la cual describía el modelo
neuronal en el que, cada neurona consta de un número de entradas Si (peso), y
una sola salida Sj (neurona).
Por otro lado, durante la segunda mitad de los años 40 y 50, algunos
investigadores comenzaron a desarrollar una perspectiva diferente en la
construcción de máquinas inteligentes: la perspectiva de las redes neuronales
8
artificiales o sistemas conexionistas. Esta perspectiva no perseguía la modelación
de redes neuronales fisiológicas, sino la construcción de máquinas inteligentes
empleando arquitecturas computacionales de cierta semejanza con las redes
neuronales del cerebro. Como antecedentes más directos a este grupo de
investigadores, cabe destacar las aportaciones, por un lado, de Warren McCulloch
y Walter Pitts en 1943 y, por otro lado, de Donald Hebb durante (1949).
McCulloch y Pitts (1943) presentaron la estructura y funcionamiento de la unidad
elemental de procesamiento de una red conexionista. La neurona de McCulloch y
Pitts, como actualmente se conoce, tiene un funcionamiento muy sencillo: si la
suma de entradas excitatorias supera el umbral de activación de la unidad, y
además no hay una entrada inhibitoria, la neurona se activa y emite respuesta
(representada por el valor 1); en caso contrario, la neurona no se activa (valor 0
que indica la ausencia de respuesta).
De manera que, combinando varias neuronas con los adecuados umbrales de
respuesta, se puede construir una red que compute cualquier función lógica finita y
realice funciones en conjunto que permitan procesar la información de forma
lógica para la realización de tareas prácticas.
Hebb (1949) postuló un sencillo pero potente mecanismo de regulación de las
conexiones neuronales, que constituyó la base de las reglas de aprendizaje que
más tarde se desarrollarían. La regla de Hebb, en su versión más elemental, se
expresa como sigue: “Cuando un axón de una célula A está bastante cerca para
excitar a una célula B y repetida o persistentemente dispara, entonces se produce
algún proceso de desarrollo o cambio metabólico de tal forma que la eficiencia del
disparo de A hacia B aumenta”.
La propuesta de Hebb es de especial relevancia porque indica que la información
necesaria para modificar el valor de una conexión se encuentra localmente
disponible a ambos lados de la conexión. (Hebb, 1949, p. 42)
La evolución de la investigación en redes neuronales desde los años 50 a
nuestros días ha estado condicionada por dos grandes acontecimientos: el
9
abandono de esta línea de investigación en la segunda mitad de los 60 debido a
las limitaciones observadas en la red Perceptrón simple y la emergencia del
conexionismo en la segunda mitad de los 80 como paradigma aceptado en
inteligencia artificial, gracias entre otros avances, a la aparición de un algoritmo,
denominado backpropagation error (propagación del error hacia atrás) o
simplemente backpropagation, que permite
modificar las conexiones de
arquitecturas multiestrato.
En el primer período de la investigación en redes neuronales, entre mediados de
los 50 y mediados de los 60, una cantidad importante de científicos, ingenieros y
grupos de investigación dedicaron importantes esfuerzos a la construcción y
experimentación de estos sistemas. Entre los grupos más importantes se podrían
destacar el grupo de Rosenblatt en la Universidad de Cornell Nueva York, en el
Instituto de Investigación de Stanford California, y el grupo de B. Widrow en el
Departamento de Ingeniería Electrónica de la Universidad de Stanford.
En este período se produjeron importantes contribuciones científicas. Una de las
más importantes fue el trabajo de los grupos de Rosenblatt (1958) y Widrow
(1960), con sistemas conexionistas de único estrato o capa (Red neuronal que
solo tienen una capa de conexiones modificables). La red diseñada por Rosenblatt
en 1958, denominada Perceptrón se muestra en la Imagen 1.1.1. A pesar de tener
dos estratos de conexiones, sólo uno de ellos está compuesto de conexiones
modificables.
La capa de entrada o retina consiste en un conjunto de unidades de entrada
binarias conectadas por conexiones con valor fijo con las unidades de la capa de
asociación o de predicados. La última capa es la de respuesta o decisión, cuya
única unidad, con salida binaria, es la que tiene conexiones modificables con los
predicados de la capa anterior.
10
Imagen 1.1.1. El Perceptrón de Rosenblatt (McClelland, 2014)
Así pues Donald Hebb (1949). Fue uno de los primeros investigadores en explicar
las formas y procesos del aprendizaje desde un punto de vista psicológico,
desarrollando una regla para revelar como acontecía el aprendizaje.
En 1950 Karl Lashley. Durante sus pruebas, descubrió que la información
generada en el cerebro humano no era almacenada en forma centralizada sino
que era distribuida encima de él.
Durante 1956 se llevó a cabo el Cngreso de Dartmouth. En el cuál se trataron los
primeros conocimientos del nacimiento de la inteligencia artificial.
Bernard Widroff y MarcianHoff (1960). Desarrollaron el modelo Adeline que por sus
siglas en inglés significa Adaptative Linear Elements. Fue la primera red neuronal
aplicada a un problema real para excluir los ecos en las líneas telefónicas.
A continuación en la siguiente tabla, se muestra de manera simplificada las fechas
con mayor relevancia en las investigaciones sobre las redes neuronales.
11
1943
McCulloch y Pitts presentan la neurona formal.
1949
D. Hebb publica su regla de aprendizaje para neuronas.
1951
Minsky plantea su máquina neuronal.
1956
Rochester,
Holland,
entre
otros,
realizan
pruebas
sobre
ensambles de células y su acción en el cerebro.
1958
Von Neumann propone un modelo para el cerebro.
1958
Rosenblatt propone el perceptrón.
Widrow y Hopf presentan el Adaline y el aprendizaje por ajuste
1960
de mínimos cuadrados. Lo aplican a la eliminación del eco en
llamadas telefónicas y constituye la primera aplicación práctica
de las redes neuronales.
1969
Minsky y Papert analizan el preceptrón y encuentran que tiene
limitaciones lógicas importantes.
Tabla 1.1.1 La década de las redes neuronales (Aporte personal)
En la actualidad existe un gran número de redes neuronales cuyo aprendizaje está
basado en la regla de Hebb como las conocidas redes de Hopfield (1982) y
algunos modelos de red propuestos por Kohonen (1977).
En relación con la información antes presentada, podemos concluir que el estudio
de las redes neuronales comienza a partir de los descubrimientos que se
realizaron a la forma de trabajar del cerebro humano y al mismo tiempo fue uno de
los principales motivos por lo que muchos investigadores comenzaron a
desarrollar diversas maneras de emular las características y procesamiento de la
neurona biológica, lo que dio origen al prototipo artificial neuronal el cual hoy en
día se sigue utilizando para el desarrollo de diversas aplicaciones en la ciencia y
por su parte permiten agilizar los procesos al interpretar la información que ingresa
al sistema dando como resultado una respuesta de manera lógica.
12
En otras palabras, el interés por las redes neuronales se ha venido intensificando
a lo largo de los años, lo que ha acumulado hechos históricos de suma
importancia para los desarrolladores y científicos de la actualidad, ya que les
ayuda a conocer e identificar los factores problemáticos que se presentaban al
inicio
de
las
primeras
investigaciones
respecto
al
comportamiento
y
funcionamiento de la neurona y al mismo tiempo consigan ampliar su panorama
de estudio.
1.2. La neurona biológica
Existen diversas definiciones acerca de lo que es una neurona, con el fin de crear
un concepto general se describen algunas de las más importantes, entre ellas se
encuentran las siguientes:
La neurona denominada del griego νεῦρον, significa nervio o Célula nerviosa, que
generalmente consta de un cuerpo de forma variable y provisto de diversas
prolongaciones, una de las cuales, de aspecto filiforme y más larga que las
demás, es el axón o neurita. (RAE, 2001).
Córdoba (2005) Explica que: La neurona es la célula principal del sistema
nervioso, tiene la capacidad de responder a los estímulos generando un impulso
nervioso que se transmite a otra neurona, a un músculo o a una glándula.
En otras palabras, una neurona es una célula viva y, como tal, contiene los
mismos elementos que forman parte de todas las células biológicas. En general
una neurona consta de un cuerpo celular más o menos esférico, de 5 a 10 micras
de diámetro, del que sale una rama principal, el axón, y varias ramas más cortas,
llamadas dendritas (Hilera, Martínez, 1995).
Dicho esto, la neurona es una de las estructuras más importantes del cuerpo
humano y del sistema nervioso pues tiene características importantes que le
permiten al cerebro generar
pensamientos, tener sensaciones de placer y
disgusto, en otras palabras nuestro cerebro cada vez que pierde la función de una
de ellas por consecuencia también pierde o desestabiliza las funciones del cuerpo
13
humano como se ha visto en diversas padecimientos relacionados a esto, tal es el
caso de la pérdida de memoria, perdida de equilibrio, Alzheimer, entre otros
padecimientos.
La neurona es considerada la unidad funcional porque puede aislarse como
componente individual y puede llevar a cabo la función básica del sistema
nervioso, que es la transmisión de información en la forma de impulsos nerviosos.
Las formas más comunes en que se presentan las neuronas biológicas, se
muestran en el esquema a continuación:
Esquema 1.2.1. Estructuras típicas de las neuronas biológicas (Flórez y Fernández, 2008).
En síntesis a lo expuesto anteriormente y analizando el esquema se puede decir
que las neuronas adquieren diferentes formas pero sus funciones de
procesamiento siempre son iguales de modo ordenado y lógico, es decir procesan
los impulsos eléctricos que se reciben en las entradas (dendritas)
y con ello
generan la información necesaria para que el sistema nervioso pueda actuar de
acuerdo a las necesidades fisiológicas de cada individuo.
14
1.3. El prototipo neuronal biológico y su composición
1.3.1. Soma o cuerpo celular
Una de las partes importantes de la neurona es el soma que corresponde a la
parte más voluminosa de la neurona. En él se puede observar una estructura
esférica llamada núcleo. Éste contiene la información que dirige la actividad de la
neurona. Además, en el soma se encuentra el citoplasma. En él se ubican otras
estructuras que son importantes para el funcionamiento de la neurona.
1.3.2. Dendritas
La célula está conformada de elementos que en conjunto o de manera individual
tienen una función específica, puesto que son necesarios para el buen
funcionamiento de la misma, tal es el caso de las dendritas que son las
extremidades que como principal función se encargan de recibir los datos de
entrada.
Desde el punto de vista anterior podemos definir a las dendritas de acuerdo al
siguiente autor:
Anderson (2007). Las dendritas son: “Un extremo de la célula, el de la entrada,
tiene un número de finas ramificaciones, llamadas dendritas, por su parecido a un
árbol (dendro, es una raíz griega para significar “árbol”, de ahí dendrita,
dendrocronología, etc.)” (p.28).
Partiendo de los párrafos anteriores y sintetizando la definición dada, las dendritas
son prolongaciones cortas que se originan del soma neural. Su función es recibir
impulsos de otras neuronas y enviarlas hasta el soma de la neurona.
1.3.3. Axón
El axón por su parte tiene una función de suma importancia en la estructura
neuronal, pues es el encargado de servir como puente para que los datos se
transmitan de manera correcta, por lo que se define al axón de la siguiente
manera:
15
“Es la línea de transmisión de la neurona. Los axones pueden dar lugar a
ramificaciones colaterales, junto con la rama principal, por la que la conectividad
real de una neurona puede ser bastante complicada” (Anderson, 2007, p.28).
A saber, el axón es una prolongación única y larga, que en ocasiones puede medir
hasta un metro de longitud; Su función principal es sacar el impulso desde el soma
neuronal y conducirlo hasta otro lugar del sistema.
1.3.4. Receptor
El receptor como su nombre lo dice es la estructura encargada de captar el
estímulo del medio ambiente y transformarlo en impulso nervioso. En los
receptores existen neuronas que están especializadas según los distintos
estímulos. En la siguiente tabla se puede visualizar algunos puntos de recepción.
Ojo
----------->
Visión
Oído
----------->
Audición
Nariz
----------->
Olfato
Lengua
----------->
Gusto
Piel
----------->
Tacto
Tabla 1.3.4.1. Receptores del cuerpo humano (Elaboración propia).
1.3.5. La sinapsis
La sinapsis es un proceso de excitación que se lleva a cabo entre neuronas, se
presenta mediante la activación de cada neurona en la cual cada una de ellas
transmite la información generada mediante impulsos eléctricos llamados pesos
sinápticos, para tener un concepto más figurado a continuación se presenta el
significado de la sinapsis.
Martín y Sanz (2007) definen lo siguiente:
La unión entre dos neuronas se denomina sinapsis. En el tipo de sinapsis
más común no existe un contacto físico entre las neuronas, sino que estas
permanecen separadas por un pequeño vacío de unas 0.2 micras. En
16
relación a la sinapsis se habla de neuronas presinápticas (las que envían
las señales) y postsinápticas (las que las reciben). Las sinapsis son
direccionales, es decir, la información fluye siempre en único sentido. (p.6)
En resumen, la sinapsis es el proceso esencial en la comunicación neuronal y
constituye el lenguaje básico del sistema nervioso. Afortunadamente, las
semejanzas de los mecanismos sinápticos son mucho más amplias que las
diferencias, asociadas éstas a la existencia de distintos neurotransmisoras con
características particulares.
1.3.6. Fenómenos que ocurren durante la sinapsis
Cuando un potencial de acción llega al terminal de un axón son liberados
transmisores alojados en diminutas vesículas, que después son vertidos en una
hendidura de unos 20 nanómetros de anchura que separa la membrana
presináptica de la postsináptica; durante el apogeo del potencial de acción,
penetran iones de calcio en el terminal nervioso, su movimiento constituye la señal
determinante de la exocitosis sincronizada, esto es la liberación coordinada de
moléculas neurotransmisoras. En cuanto son liberados, los neurotransmisores se
enlazan con receptores pos sinápticos, instando el cambio de la permeabilidad de
la membrana (Anderson, 2007).
Por lo que, el desplazamiento de carga hace que la membrana se aproxime al
umbral de generación de potenciales de acción, al mismo tiempo se produce un
efecto excitador y cuando la membrana resulta estabilizada en la vecindad el valor
de reposo se produce un efecto inhibidor.
Cada sinapsis produce sólo un pequeño efecto, para determinar la intensidad o
frecuencia de los potenciales de acción de la respuesta cada neurona ha de
integrar continuamente hasta unas 1000 señales sinápticas, que se suman en el
soma o cuerpo de la célula.
En algunas neuronas los impulsos se inician en la unión entre el axón y el soma, y
luego se transmiten a lo largo del axón a otras células nerviosas. Cuando el axón
17
está cerca de sus células destino, se divide en muchas ramificaciones que forman
sinapsis con el soma o axones de otras células.
Las sinapsis pueden ser excitatorias o inhibitorias según el neurotransmisor que
se libere, cada neurona recibe de 10.000 a 100.000 sinapsis y su axón realiza una
cantidad similar de sinapsis.
Las sinapsis se clasifican según su posición en la superficie de la neurona
receptora en tres tipos: axo-somática, axo-dendrítica, axo-axónica. Los fenómenos
que ocurren en la sinapsis son de naturaleza química, pero tienen efectos
eléctricos laterales que se pueden medir.
En la imagen (1.3.6.1 y 1.3.6.2) se visualiza el proceso químico de una sinapsis y
los diferentes elementos que hacen parte del proceso tanto en la neurona
presináptica, como en el postsináptica.
Imagen 1.3.6.1. Proceso de la sinapsis (Biblioteca Digital).
18
Imagen 1.3.6.2. Activación de la sinapsis (Flórez y Fernández, 2008)
1.4. Las redes neuronales biológicas
El cerebro consta de un gran número de elementos altamente interconectados,
llamados neuronas. Estas neuronas tienen tres componentes principales, las
dendritas, el cuerpo de la célula o soma, y el axón. En otras palabras las
dendritas, son el árbol receptor de la red, son como fibras nerviosas que cargan de
señales eléctricas el cuerpo de la célula. El cuerpo de la célula, realiza la suma de
esas señales de entrada. Y por su parte el axón es una fibra larga que lleva la
señal desde el cuerpo de la célula hacia otras neuronas. El punto de contacto
entre un axón de una célula y una dendrita de otra célula es llamado sinapsis, la
longitud de la sinapsis es determinada por la complejidad del proceso químico que
estabiliza la función de la red neuronal.
Las neuronas forman redes complicadísimas, que por su puesto estamos de
conocer por completo. Sabemos que algunos de estos circuitos están relacionados
con el movimiento, otros con el sueño, y otros más con las emociones y la
conducta. (Pasantes, 1997).
El sistema de neuronas biológico está compuesto por neuronas de entrada
conectados a una compleja red de neuronas, las cuales a su vez están
19
conectadas a las neuronas de salida que controlan el principal elemento del
sistema nervioso.
Algunas de las estructuras neuronales son determinadas en el nacimiento, otra
parte es desarrollada a través del aprendizaje, proceso en que nuevas conexiones
neuronales son realizadas y otras se pierden por completo. El desarrollo
neurológico se hace crítico durante los primeros años de vida, por ejemplo si a un
cachorro de gato, se le impide usar uno de sus ojos durante un periodo corto de
tiempo, el nunca desarrollara una visión normal en ese ojo.
Las estructuras neuronales continúan cambiando durante toda la vida, estos
cambios consisten en el refuerzo o debilitamiento de las uniones sinápticas; por
ejemplo se cree que nuevas memorias son formadas por la modificación de esta
intensidad entre sinapsis, así el proceso de recordar el rostro de un nuevo amigo,
consiste en alterar varias sinapsis.
En la siguiente figura se muestra de forma simplificada la interconexión entre dos
neuronas biológicas.
CUERPO O SOMA
AXÓN
SINAPSIS
DENDRITAS
Figura 1.4.1. Conexión entre dos neuronas biológicas (Aporte personal).
20
1.5. La neurona artificial
Del mismo modo que las neuronas biológicas también existen las neuronas
artificiales, las cuales han sido creadas por la ciencia para interpretar las funciones
y características principales de la neurona biológica. Es decir, ejecuta las
funciones de manera lógica con el uso de cálculos, algoritmos y una serie de
señales eléctricas parecidas a las que se emiten en el cerebro humano con el fin
de procesar información para llegar al resultado esperado.
Torra y Monte (2013) dicen que: Los modelos neuronales artificiales asumen
muchas simplificaciones del modelo biológico para poder plantear su desarrollo
matemático.
A continuación se presenta la comparación grafica de la neurona biológica y la
neurona artificial.
Imagen 1.5.1. Paralelismo entre el modelo biológico (a) y el modelo McCulloch-pitts (b)
(Torra y Monte, 2013).
21
De acuerdo al texto del libro redes neuronales y sistemas borrosos, las neuronas
artificiales se definen de la siguiente manera:
Martín y Sanz (2007) dicen que: “Se denomina procesador elemental o neurona a
un dispositivo simple de calculo que, a partir de un vector de entrada procedente
del exterior o de otras neuronas, proporcionan una única respuesta o salida”
(p.13).
En otras palabras, la neurona recibe estímulos provenientes de otras neuronas y
proporciona una respuesta única de salida. Con ello es importantes mencionar la
caracterización de tres tipos de neuronas artificiales: unidades de entrada, de
salida y ocultas (Esquema 2.4.2).
A continuación se puede visualizar en el siguiente esquema los tipos de neuronas
de las cuales se ha mencionado anteriormente.
Esquema 1.5.2. Tipos de neuronas artificiales (Flórez y Fernández, 2008).
Específicamente, a partir del esquema anterior podemos decir que:

Las neuronas de entrada: reciben señales del exterior, estas señales
pueden provenir de sensores o sectores del sistema, como es el caso de
archivos de almacenamiento de patrones de aprendizaje.
22

Por otra parte las neuronas de salida envían su señal fuera del sistema una
vez terminado el procesamiento de la información o mejor conocido como
salidas de red.

Las neuronas ocultas, estas reciben y emiten señales dentro del sistema sin
estar expuestas con el entorno. Dentro de ellas se lleva a cabo el
procesamiento básico de información.
1.5.1. El perceptrón
La estructura neuronal que solo presenta una neurona de cómputo es denominada
perceptrón y es considerado uno de los primeros prototipos de neurona artificia
desarrollado principalmente por Frank Rosenblatt. A continuación se exterioriza
una definición más particularizada del significado del perceptrón.
Lafon (2002) menciona que:
El perceptrón es el modelo más sencillo de neuronas artificiales. Se inspira
de forma directa del comportamiento de la neurona real. En cada neurona,
las entradas
Xi
se suman linealmente ponderadas por un conjunto de
parámetros Wi. A todo esto se le suma un parámetro más b y el resultado se
pasa por una función 𝜑. El resultado es la salida Y. la ecuación de la
neurona es:
Los esquemas 1.5.1.1 y 1.5.1.2 muestran la estructura de una neurona artificial
partiendo de los valores de la ecuación anterior.
23
Esquema 1.5.1.1. Modelo de una neurona artificial (Lafon, 2002).
Por consiguiente a continuación se muestra el prototipo de la estructura del
perceptrón según Frank Rosenblatt.
Esquema 1.5.1.2. Representación de un perceptrón de dos entradas (Hernández, 2009).
Hagan (1996) por consiguiente refiere que: Frank Rosenblatt en 1950 junto con
otros investigadores, desarrollaron una clase de redes neuronales llamadas
perceptrones, cuyas neuronas similares a las de McCulloch y Pitts (1943). De esta
manera Rosenblatt contribuyo al introducir la regla de entrenamiento del
perceptrón para los problemas de reconocimiento de patrones, observando que
esta regla siempre tiende hacia los valores de los pesos correctos, la cual aprende
de los errores.
24
Este modelo está determinado por tres funciones principales, las cuales son,
activación, propagación y transferencia; mediante esta última se da una
retroalimentación, la cual posibilita el aprendizaje mediante entrenamiento.
1.5.2. Cómo funciona la neurona artificial
La neurona artificial tiene comportamientos similares a la neurona biológica
aunque la mayoría de ellos sigue un proceso específico para el buen
funcionamiento de esta. Por ello a continuación se describen algunos puntos que
detallan parte del procedimiento que realiza la neurona para ser útil.
Según, Martín y Sanz (2007) dan a conocer que:
Las variables de entrada y salida pueden ser binarias (digitales) o continuas
(analógicas), dependiendo del modelo y aplicación. Por ejemplo, un
perceptrón multicapa o MLP (multilayer perceptrón) admite ambos tipos de
señales. Así, para tareas de clasificación poseería salidas digitales {0, +1},
mientras que para un problema de ajuste funcional de una aplicación
multivariable continua, se utilizarían salidas continuas pertenecientes a un
cierto intervalo. (p.14)
Esto es, se aplica un conjunto de entradas a la neurona, cada una de las cuales
representa una salida de otra neurona, esta entrada se multiplica por su "peso" o
ponderación correspondiente análoga al grado de conexión de la sinapsis. Todas
las entradas ponderadas se suman y se determina el nivel de excitación o
activación de la neurona. Una representación vectorial del funcionamiento básico
de una neurona artificial se indica en la siguiente imagen:
25
Imagen 1.5.2.1. Modelo genérico de neurona artificial (Martín y Sanz, 2007).
Para entender la imagen anterior se explican las variables que se utilizan para
llevar a cabo el procesamiento de la información en las neuronas artificiales:

Conjunto de entradas, xj (t).

Pesos sinápticos de la neurona i, wij que representan la intensidad de
interacción entre cada neurona presináptica j y la neurona postsináptica i.

Regla de propagación 𝜎 (𝑤𝑖𝑗, 𝑥𝑗(𝑡)), que proporciona el valor del potencial
postsinaptico hi (t)= 𝜎 (𝑤𝑖𝑗, 𝑥𝑗(𝑡)) de la neurona i, en función de su estado
anterior ai (t-1) y de su potencial postsináptico actual.

Función de activación fi (ai (t-1), hi (t)), que proporciona el estado de
activación actual ai (t) = fi (ai (t-1), hi (t)) de la neurona i, en función de su
estado anterior que ai (t-1) y de su potencial postsináptico actual.

Función de salida Fi (ai (t)), que proporciona la salida actual yi (t) = Fi (ai (t))
de la neurona i en función de su estado de activación.
De este modo, la operación de la neurona i puede expresarse como:
Yi (t) = Fi(fi [ai (t-1), 𝜎i (wij, xj (t))])
26
Este modelo de neurona formal se inspira en la operación de la biológica, en el
sentido de integrar una serie de entradas y proporcionar cierta respuesta, que se
propaga por el axón. (Martín, Sanz, 2007, p. 14)
1.5.3. Tipos de neuronas artificiales
Las neuronas artificiales se clasifican de acuerdo al valor que puedan tomar. Las
dos principales son:

neurona binaria

Neurona real
Por lo tanto, tratándose de la primera clasificación estas neuronas solo pueden
tomar valores dentro del intervalo {0,1} o {-1,1}, mientras que las neuronas reales
lo hacen dentro del rango [0,1] o [-1,1]. Es importante mencionar que los pesos no
están restringidos a un cierto intervalo aunque para algunas aplicaciones
específicas puede ser esto necesario (Matich, 2001).
1.5.4. Analogía entre la neurona biológica y la neurona artificial
A fin de poder apreciar las características y semejanzas de la neurona artificial con
la
neurona
biológica
es
indispensable
realizar
una
comparación
del
comportamiento de cada una de ellas con relación a los procesamientos que
realizan durante la actividad sináptica en una red neuronal, de tal manera se
puede apreciar en la siguiente imagen:
Imagen 1.5.4.1. Analogía directa entre la neurona biológica y la neurona artificial
(Flórez y Fernández, 2008).
27
De acuerdo a la analogía anterior de la neurona biológica y la artificial se
identifican las siguientes diferencias:

Las neuronas biológicas no necesitan ser programadas, es decir con el
paso del tiempo aprenden por si solas a través de la memoria, pueden
manejar información ambigua, múltiple e inconsistente a comparación de
las artificiales que necesitan ser programadas y no pueden recordar hechos
pasados para aprender sin antes ser entrenadas.

En el sistema biológico el daño de una neurona puede ser sustituido por
alguna otra más o no se interrumpe la respuesta de información en cambio
dentro de un sistema artificial, el que la neurona falle significa una
interrupción en el sistema de salida o respuesta de esta misma.
A continuación se presenta de manera gráfica la estructura de un sistema basado
en redes neuronales artificiales.
Esquema 1.5.4.1. Estructura jerárquica de un sistema basado en redes neuronales artificiales
(Flórez y Fernández, 2008).
28
Ahora bien, analizando el esquema de arriba podemos visualizar que la estructura
de un sistema basado RNAs está constituida a partir de una o varias capas
neuronales conformadas por más de una neurona artificial, así mismo podemos
tener una noción de la dirección que toma la información que accede a ella.
1.6. Conceptos de redes neuronales artificiales
Las redes neuronales son la interconexión entre neuronas con el propósito de
trasmitir información cerebral o en su caso trasmitir información mediante nodos
generada por operaciones lógicas y algoritmos para el caso las redes neuronales
artificiales.
Existen numerosas formas de definir lo que son las redes neuronales, desde las
definiciones cortas y genéricas hasta las que intentan explicar más detalladamente
lo que significa red neuronal o computación neuronal.
Vale decir, que una red neuronal es un sistema de computación hecho por un gran
número de elementos simples, de proceso muy interconectados, los cuales
procesan información por medio de su estado dinámico como respuesta a
entradas externas(Cruz, 2003).
En otras palabras, las Redes neuronales artificiales son redes interconectadas
masivamente en paralelo de elementos simples y con organización jerárquica, es
decir, el procesamiento de los datos de entrada se va ejecutando de acuerdo a la
estructura de la capa neuronal de la que está conformada, las cuales tienen un
número determinado de neuronas que intercambian información con los objetos
del mundo real del mismo modo que lo hace el sistema nervioso biológico
(Kohonen, 2001).
Por lo tanto, es necesario destacar que tales computadoras neuronales no
ejecutan las típicas instrucciones de máquina de los computadores digitales, a
menos que estén hechos para emular el comportamiento de las redes neuronales
física. En principio, la operación de proceso básico realzada por todos los
29
procesadores elementales es una operación análoga de transformación de sus
señales de entrada.
En cambio, en las redes neuronales biológicas, las células neuronales (neuronas)
corresponden a los elementos de proceso anteriores. Las interconexiones se
realizan por medio de las ramas de salida (axones) que producen un número
variable de conexiones (sinapsis) con otras neuronas son sistemas de simples
elementos de proceso muy interconectados.
Con objeto de lo anterior, podemos decir que la compleja operación de las redes
neuronales es el resultado de abundantes lazos de realimentación junto con no
linealidades de los elementos de proceso y cambios adaptativos de sus
parámetros, que pueden definir incluso fenómenos dinámicos muy complicados.
1.7. Aprendizaje de las redes neuronales artificiales
Una de las principales características de las redes neuronales artificiales es su
capacidad de aprendizaje. El entrenamiento muestra algunos parecidos con el
desarrollo intelectual de los seres humanos. No obstante aun cuando parece que
se ha conseguido entender el proceso de aprendizaje conviene ser moderado
porque el aprendizaje de las redes neuronales artificiales está limitado.
El objetivo del entrenamiento de una red neuronal es conseguir que una aplicación
determinada, para un conjunto de entradas produzca el conjunto de salidas
deseadas o mínimamente consistentes. El proceso de entrenamiento consiste en
la aplicación secuencial de diferentes conjuntos o vectores de entrada para que se
ajusten los pesos de las interconexiones según un procedimiento predeterminado.
Durante la sesión de entrenamiento los pesos convergen gradualmente hacia los
valores que hacen que cada entrada produzca el vector de salida deseado.
Dicho de otra manera el entrenamiento neuronal es: “Un aspecto importante
respecto al aprendizaje en las redes neuronales es el conocer cómo se modifican
los valores de los pesos; es decir, cuáles son los criterios que se siguen para
30
cambiar el valor asignado a las conexiones cuando se pretende que la red
aprenda una nueva información”(Hilera y Martínez, 1995, p.75).
Para resumir los párrafos anteriores, el aprendizaje es la fase que busca conseguir
que las redes neuronales se vuelvan cada vez más inteligentes o menos
dependientes a la manipulación humana, es decir que aprendan por si solas, para
ello es necesario aplicar reglas de aprendizaje. Estas reglas suelen ser de dos
tipos: la regla de aprendizaje supervisado y la regla de aprendizaje no supervisado
de las que se estarán tratando en los temas siguientes.
1.7.1. Aprendizaje supervisado
Estos algoritmos requieren el emparejamiento de cada vector de entrada con su
correspondiente vector de salida. El entrenamiento consiste en presentar un vector
de entrada a la red, calcular la salida de la red, compararla con la salida deseada,
y el error o diferencia resultante se utiliza para realimentar la red y cambiar los
pesos de acuerdo con un algoritmo que tiende a minimizar el error.
Las
parejas
de
vectores
del
conjunto
de
entrenamiento
se
aplican
secuencialmente y de forma cíclica. Se calcula el error y el ajuste de los pesos por
cada pareja hasta que el error para el conjunto de entrenamiento entero sea un
valor pequeño y aceptable.
De manera más clara el proceso que se realiza mediante el entrenamiento
supervisado se lleva a cabo por un agente externo, es decir por un supervisor o
maestro, el cual determina la respuesta que debería generar la red a partir de una
entrada determinada.
Torra y Monte (2013). Así mismo explican que:
El aprendizaje supervisado, consiste en construir un modelo neuronal que
permita estimar relaciones entre los inputs y los outputs sin la necesidad de
proponer una cierta forma funcional a priori, siendo desde la óptica
computacional más complejo pero con resultados más exactos(p.26).
31
A modo de ilustrar el punto anterior, se observa en el esquema siguiente, que el
output no coincide con el deseado, de forma que se presenta un error de salida o
residuo del modelo.
Esquema 1.7.1.1. Ciclo del aprendizaje supervisado (Torra y Monte, 2013).
En resumidas cuentas, este aprendizaje permite ir comparando los resultados que
se obtienen por cada corrida, analizar y suministrar a la red nuevos parámetros
con el fin de obtener los efectos esperados lo que permite tener un mejor
panorama de la lógica de este modelo.
1.7.1.1. Aprendizaje por corrección de error
El aprendizaje por corrección de error consiste en ajustar los pesos de las
conexiones de la red de acuerdo a la diferencia entre los valores deseados y los
obtenidos en la salida de la red; es decir en función del error cometido en la salida.
Dicho de otra manera, este aprendizaje modifica los valores de entrada los cuales
son definidos del resultado de la comparación del cálculo esperado y los datos de
salida obtenidos, a manera que de los próximos datos de salida sean correctos.
1.7.1.2. Aprendizaje por refuerzo
Este tipo de aprendizaje es lento y supervisado de manera que se basa de no
disponer de un ejemplo completo del comportamiento deseado; es decir, de no
indicar durante el entrenamiento exactamente la salida que se desea que
proporcione la red ante una determinada entrada.
32
1.7.1.3. Aprendizaje estocástico
El aprendizaje estocástico consiste básicamente en realizar cambios aleatorios en
los valores de los pesos de las conexiones de la red y con ello evaluar su efecto a
partir del objetivo deseado y de distribuciones de probabilidad.
Esto quiere decir que este aprendizaje indica que deben modificarse los valores
de entrada a cada conexión de forma circunstancial o al azar, con el fin de evaluar
los resultados de salida que produce cada dato de entrada.
1.7.2. Entrenamiento no supervisado
Los sistemas neuronales con entrenamiento supervisado han tenido éxito en
muchas aplicaciones y sin embargo tienen muchas críticas debido a que desde el
punto de vista biológico no son muy lógicos. Resulta difícil creer que existe un
mecanismo en el cerebro que compare las salidas deseadas con las salidas
reales.
En el caso de que exista, es sustancial saber de dónde provienen las salidas
deseadas. Los sistemas no supervisados son modelos de aprendizaje más lógicos
en los sistemas biológicos. Desarrollados por Kohonen en 1984 y otros
investigadores, estos sistemas de aprendizaje no supervisado no requieren de un
vector de salidas deseadas y por lo que no se realizan comparaciones entre las
salidas reales y salidas esperadas.
Esto es, el conjunto de vectores de entrenamiento consiste únicamente en
vectores de entrada, el algoritmo de entrenamiento modifica los pesos de la red de
forma que produzca vectores de salida consistentes. El proceso de entrenamiento
extrae las propiedades estadísticas del conjunto de vectores de entrenamiento y
agrupa en clases los vectores similares.
En otras palabras, existe una gran variedad de algoritmos de entrenamiento hoy
en día, la gran mayoría de ellos han surgido de la evolución del modelo de
aprendizaje no supervisado que propuso el científico Hebb en 1949. El modelo
propuesto por Hebb se caracteriza por incrementar el valor del peso de la
conexión si las dos neuronas unidas son activadas o disparadas.
33
En el siguiente esquema se ejemplifica el modelo de aprendizaje no supervisado o
auto organizado.
Esquema 1.7.2.1. Ciclo del aprendizaje no supervisado (Torra y Monte, 2013).
En pocas palabras, El aprendizaje no supervisado o auto organizado, es aquel que
no dispone de output deseado. Sus principales utilidades, son descubrir las
regularidades que existen en los datos, extraer rasgos o agrupar patrones según
su similitud, (Torra y Monte, 2013).
1.7.2.1. Aprendizaje hebbiano
En particular, la teoría hebbiana describe que el valor de una conexión sináptica
se incrementa si las neuronas de ambos lados se activan en repetidas veces de
forma simultánea. A propósito de entender esta idea a continuación se hace una
retroalimentación del siguiente concepto:
Hebb (1949) explica que:
Cuando un axón de una celda A está suficientemente cerca como para
conseguir excitar una celda B y repetida o persistentemente toma parte en
su a activación, algún proceso de crecimiento o cambio metabólico tiene
lugar en una o ambas celdas, de tal forma que la eficiencia de A, cuando la
celda B, aumenta (p84).
A manera de sintetizar, se puede decir que el aprendizaje hebbiano consiste
básicamente en el ajuste de los pesos de las conexiones entre neuronas de
acuerdo con la aproximación de los valores de activación binarios +1 y -1, en las
salidas.
34
1.7.2.2. Aprendizaje competitivo y cooperativo
Las redes neuronales que emplean este tipo de aprendizaje en estructura existe
una serie de neuronas que compiten entre ellas con el fin de realizar las tareas
encomendadas. Esto quiere decir que cuando se ingresa información a la red solo
una de las neuronas de manera individual o ya sea una por grupo se active
quedando el resto anuladas quedando forzadas a valores de respuesta mínimos.
Hilera y Martín (1995) encontraron que:
“La competición entre neuronas se realiza en todas las capas de la red,
existiendo en estas neuronas conexiones recurrentes de autoexcitación y
conexiones de inhibición (signo negativo) por parte de neuronas vecinas. Si
el aprendizaje es cooperativo, estas conexiones con las vecinas serán de
excitación (signo positivo)”.
Para resumir, en este tipo de aprendizaje las neuronas compiten entre sí de
manera que solo se activan las que han adquirido un alto índice de aprendizaje.
Esto permite que cada vez las neuronas que no lograron activarse vallan
mejorando de acuerdo a los datos de aquellas que si logran aprender.
1.7.3. Elección del conjunto inicial de pesos.
Antes de llevar a cabo el entrenamiento de las redes neuronales, es necesario
determinar un estado inicial, es decir otorgar un conjunto de pesos a las
conexiones entre neuronas de la red. Esto puede realizarse por varios razones;
por ejemplo uno de ellos es conceder un peso aleatorio a cada conexión
encontrándose los mismos dentro de un cierto intervalo. Por lo regular este
intervalo es de tipo [-n,n], donde nes un número natural positivo. Cabe mencionar
que los pesos no se encuentran restringidos a dicho intervalo.
1.7.4. Codificación de los datos de entrada
Para que una red neuronal pueda calcular la salida que debe emitir es necesario
decodificar los datos de entrada, es decir debe interpretar la información adquirida
35
para definir qué tipo de variables se están manejando de acuerdo al caso que se
presente, estas variables pueden ser de dos tipos:

Variables o atributos numéricos llamados continúas.

Variables o atributos simbólicos llamados discretos.
Las variables numéricas son aquellos que pueden tomar cualquier valor dentro de
un intervalo determinado [a, b]; donde a puede ser -∞ (menos infinito) y b, ∞
(infinito). Por otro lado si los pesos son dados por un cierto número determinado el
atributo es denominado simbólico.
1.7.5. Validación de la red neuronal
Después del entrenamiento los pesos quedan fijos en las conexiones de la red
neuronal. Por consiguiente es necesario comprobar si la red neuronal puede
resolver nuevos problemas, para los que ha sido entrenada, para ello es necesario
un conjunto de datos denominado conjunto de validación o testeo.
En pocas palabras, lo que se realiza es la comparación de las respuestas en la
salida de la red neuronal con los resultados previamente analizados de la solución
conocida.
1.7.6. En síntesis: Qué son las redes neuronales artificiales

Son sistemas de procesamiento de información desarrollados con base en
el conocimiento que tenemos de los cerebros biológicos.

Se forman con unidades de procesamiento simples llamados nodos o
neuronas.

Hay distintas formas de conectar a las neuronas entre sí. A esta forma se
les llama: arquitectura de la computadora.

A cada conexión entre una neurona y otra se le asigna un peso.

Cada neurona tiene una función de activación que suma las señales
entrantes pesadas. Así, la neurona determina si lanza su propia señal o no
lo hace.
36

Los pesos son adaptados para que la neurona mejore su trabajo hasta
reproducir la tarea que se le ha pedido. A esto se le llama proceso de
aprendizaje.
Por su parte, en el proceso de adaptación de los pesos se utiliza la siguiente regla
de aprendizaje.
 La tarea asignada a la red neuronal se plantea como objetivo:
 La reproducción inicial de patrones de entrenamiento
 Una etapa de comprobación del aprendizaje de la red y
La etapa de aplicación de la red a los trabajos específicos para los cuales ha sido
diseñada.
1.8. Ventajas de las redes neuronales artificiales
Debido a su constitución y a sus fundamentos, las redes neuronales artificiales
presentan un gran número de características semejantes a las del cerebro. Por
ejemplo, son capaces de aprender de la experiencia, de generalizar de casos
anteriores a nuevos casos, de abstraer características esenciales a partir de
entradas que representan información irrelevante, etc. Esto hace que ofrezcan
numerosas ventajas y que este tipo de tecnología se esté aplicando en múltiples
áreas.
Maren (1990) estas ventajas incluyen:

Aprendizaje adaptativo. Capacidad de aprender a realizar tareas básicas en
un entrenamiento o una experiencia inicial.

Autoorganización. Una red puede crear su propia organización o
representación de la información que recibe mediante una etapa de
aprendizaje.

Tolerancia a fallos. La destrucción parcial de una red conduce a una
degradación de sus estructura; sin embargo, algunas capacidades de la red
se pueden retener, incluso sufriendo un gran daño.
37

Operación en tiempo real. Los computadores neuronales pueden ser
realizados en paralelo, actualmente se diseñan y fabrican máquinas con
hardware especial para obtener esta capacidad.

Fácil inserción dentro de la tecnología existente. Se pueden obtener chip
especializados para redes neuronales que mejoran su capacidad en ciertas
tareas. Ello facilitará la integración modular en los sistemas existentes.
Estas ventajas ofrecen a la red una característica especial que la hace ser
competente y no quedar expuesta ante circunstancias y tareas que regularmente
se presentan en el entorno donde son aplicadas.
1.8.1. Aprendizaje adaptativo
La capacidad de aprendizaje adaptativo es una de las características más
atractivas de las redes neuronales. Esto es, aprenden a llevar a cabo ciertas
tareas mediante un entrenamiento con ejemplos ilustrativos. Como las redes
neuronales pueden a prender a diferenciar patrones mediante ejemplos de
entrenamiento, no es necesario que elaboremos modelos a priori ni necesitamos
especificar funciones de distribución de probabilidad.
Las redes neuronales son sistemas dinámicos autoadaptativos. Son adaptables
debido a la capacidad a la capacidad de autoajustarse de los elementos
procesadores o neuronas que componen el sistema. Son dinámicos, pues son
capaces de estar constantemente cambiando para adaptarse a las nuevas
condiciones.
En el proceso de aprendizaje, los enlaces ponderados de las neuronas se ajustan
de manera que se obtengan unos resultados específicos. Une red neuronal no
necesita un algoritmos para resolver un problema, ya que ella puede generar su
propia distribución de los pesos de los enlaces mediante el aprendizaje. También
existen redes que continúan aprendiendo a lo largo de su vida, después de
completado el período inicial de entrenamiento.
38
1.8.2. Autoorganización
Es un proceso en el que de alguna forma global de orden o coordinación surge de
las interacciones locales entre los componentes de un sistema inicialmente
desordenado.
Por lo que las redes neuronales usan su capacidad de aprendizaje adaptativo para
autoorganizar la información que reciben durante el aprendizaje y/o la operación.
Mientras que el aprendizaje es la modificación de cada elemento procesal, la
autoorganización consiste en la modificación de la red neuronal completa para
llevar a cabo un objetivo específico.
1.8.3. Tolerancia a fallos
Las redes neuronales fueron los primeros métodos computacionales con la
capacidad inherente de tolerancia a fallos. Comparados con los sistemas
10computacionales tradicionales, los cuales pierden su funcionalidad cuando
sufren un pequeño error de memoria, en las redes neuronales, si se produce un
fallo en un número no muy grande de neuronas y aunque el comportamiento del
sistema se ve influenciado, no sufre una caída repentina.
Hay dos aspectos distintos respecto a la tolerancia a fallos:
a) Las redes pueden aprender a reconocer patrones con ruido, distorsionados o
incompletos. Esta es una tolerancia a fallos respecto a los datos.
b) Las redes pueden seguir realizando su función (con cierta degradación) aunque
se destruya parte de la red.
La razón por la que las redes neuronales son tolerantes a los fallos es que tienen
su información distribuida en las conexiones entre neuronas, existiendo cierto
grado de redundancia en este tipo de almacenamiento. La mayoría de los
ordenadores algorítmicos y sistemas de recuperación de datos almacenan cada
pieza de información en un espacio único, localizado y direccionable. En cambio,
las redes neuronales almacenan información no localizada. Por lo tanto, la
mayoría de las interconexiones entre los nodos de la red tendrán sus valores en
39
función de los estímulos recibidos, y se generará un patrón de salida que
represente la información almacenada.
1.9. Principales topologías
1.9.1. Topología de las redes neuronales
La topología se refiere a la forma en que las neuronas se organizan, para formar
estructuras o capas. Estas se determinan de acuerdo al número de capas que
existen, la cantidad de neuronas que conforman cada capa, el grado de
conectividad y el tipo de conexión entre neuronas.
1.9.2. Redes monocapa
Las rede mono capa están formadas por una sola capa, y todas las neuronas se
encuentran conectadas en ella. Su tarea principal es la autoasociación.
Por lo tanto, en este tipo de redes, las conexiones se establecen entre las
neuronas que pertenecen solo a la única capa que existe, generalmente este tipo
de redes son utilizadas para regenerar información de entrada que se presenta en
la red de forma incompleta o distorsionada. En el siguiente esquema se ejemplifica
este tipo de Red:
40
Esquema.1.9.2.1 Red neuronal monocapa (Basogain, 2012).
La red más simple es un grupo de neuronas ordenadas en una capa como se
muestra en el Esquema anterior. Los nodos circulares sólo son distribuidores de
las entradas y no se consideran constituyentes de una capa (Basogain, 2012).
1.9.3. Redes multicapa
Las redes multicapa son las que disponen de un conjunto de neuronas agrupadas
en varios niveles o capas. Para poder distinguir la capa a que pertenece cada
neurona es necesario fijarse de donde provienen las señales que reciben las
entradas y el destino de la señal de salida.
Normalmente todas las neuronas todas las neuronas de una capa reciben señales
de entrada desde otra capa anterior, y envían señales de salida a una capa
posterior. Este tipo de conexiones es llamado conexiones hacia adelante o
feedforward (Matich, 2001). En el siguiente esquema se muestra la Red Neuronal
Multicapa:
41
Esquema 1.9.3.1. Estructura de la red neuronal multicapa (Cruz, 2003).
Por ende, para calcular la salida de una red multicapa se debe hacer de la misma
manera que en las redes de capa simple, teniendo en cuenta que las salidas de
una capa son las entradas de la siguiente capa.
1.10. Tipos de RNAs
1.10.1. Adaline y Madaline
Las Redes Adaptative Linear Element (Adaline) y MultipleAdaline (Madaline)
fueron desarrolladas por Bernard Widrow y MarcianHoff en 1960 poco después de
la aparición del Perceptrón simple, aunque presenta muchas similitudes con este
modelo la red Madaline utiliza funciones de transferencia lineales y cuando se
conectan de forma sucesiva entre sí se convierte en red Madaline.
El funcionamiento de Adaline es que tomando la suma de los pesos de las
entradas, produce una salida de 0 ó 1 dependiendo si pasa o no un umbral, esto
es semejante al funcionamiento de una neurona que se dispara si la actividad total
procedente de las conexiones con las otras neuronas sobrepasa un nivel.
42
Un conjunto de redes Adaline se pueden organizar en capas de tal manera que se
obtengan grandes arquitecturas formando así una red Madaline la cual produce
funciones más complejas.
En la práctica estas redes han sido muy aplicadas como filtros adaptativos, por
ejemplo, para cancelar el ruido de la transmisión de señales en los módems de los
ordenadores, pero su utilidad en el ámbito de las Ciencias Sociales se ve muy
limitada por tratarse de un sistema lineal que sólo puede separar correctamente
patrones linealmente independientes, fallando en ocasiones ante patrones
linealmente separables. (Flórez y Fernández, 2008)
Madaline fue una de las primeras redes neuronales multicapa entrenable con
múltiples elementos adaptativos, su estructura fue diseñada para ir más allá de la
solución de problemas linealmente separables.
Consta de una capa de redes Adaline y una función de mayoría cuya respuesta
binaria depende de las respuestas de las Adaline.
En la siguiente imagen se muestra un ejemplo de la Red Adaline y la Red
Madaline:
Imagen 1.10.1.1 Red Adaline (a) y Red Madaline(b) (Flórez y Fernández, 2008)
43
1.10.2. Hopfield
El modelo de Hopfield represento uno de los avances más significativos en el
ámbito de las redes neuronales artificiales durante los 80’s, estas incorporaron una
nueva arquitectura y un nuevo enfoque de entrenamiento que se aproximaba a
ciertos modelos de la Física Estadística, lo que permitió su estudio mediante
potentes herramientas matemáticas.
Flórez y Fernández (2008) mencionan que:
“La red de Hopfield opera como una memoria asociativa que permite que varias
informaciones diferentes sean almacenadas en la red durante la fase de
aprendizaje (aprendizaje-off-line)” (p. 50).
Estas redes están compuestas por tres capas como se muestra en el esquema
1.10.2.1: La capa de entrada, la capa media y la salida, cada neurona de la capa
de entrada está conectada con una neurona de la capa media y cada neurona de
la capa media emite una sola conexión hacia la capa de salida y estas conexiones
no implican cálculo de pesos sinápticos ni de valores umbral.
Capa Media
Capa de Entrada
Capa de Salida
Esquema 1.10.2.1 Red de Hopfield (Elaboración propia).
44
Con relación a la imagen anterior, podemos visualizar que en una red Hopfield las
neuronas de la capa de entrada transmiten inmediatamente su patrón de
activación hacia las neuronas de la capa media sin modificar sus pesos sinápticos,
pero las neuronas en la capa media no transmiten ningún patrón de activación
hasta que hayan llegado a un estado de equilibrio en el cual se mantenga estable,
esto es una de sus principales característica ya que presentan conexiones de
salida hacia otras neuronas de la misma capa media.
1.10.3. ART
La Red de Resonancia adaptativa (ART: Adaptative Resonance Theory) fue
desarrollada por Carpenter y Grossberg en 1986, con la que trataron de resolver el
denominado “dilema de la estabilidad y plasticidad del aprendizaje”, este dilema
plantea dos cuestiones:

Cómo podría una red aprender nuevos patrones (plasticidad).

Cómo podría una red retener los patrones previamente aprendidos
(estabilidad).
El modelo ART propuso un sistema competitivo, ya que ante una determinada
información de entrada, solo una de las neuronas de salida de la red se activa, a
esta neurona se le conoce como: winner-take-all-unit ó neurona vencedora,
alcanzando su valor máximo de respuesta tras competir con las celdas restantes.
El funcionamiento de esta red se basa en hacer resonar la información de entrada
con los prototipos de las categorías que ésta reconoce y si el patrón de entrada es
suficientemente similar a alguno de los prototipos, la red entra en resonancia,
adaptando ligeramente el prototipo almacenado, por el contrario si la información
de entrada no coincide con ninguna categoría, la red crea un nuevo prototipo para
ese dato de entrada.
El ART engloba una serie de redes neuronales capaces de auto-organizar y
reconocer, tanto en tiempo continuo como discreto, patrones binarios en ART1 y
45
analógico en ART2, ambas redes únicamente con dos capas de neuronas, usando
el aprendizaje competitivo.
46
CAPÍTULO II: LAS REDES NEURONALES
APLICADAS AL ENTORNO ORGANIZACIONAL
En este capítulo se estarán tratando los temas con referencia a la organización
actual para tener un enfoque más claro de la relación que existe con los avances e
innovaciones tecnológicas de hoy en día que permiten el mejoramiento y
desarrollo de las funciones y actividades que se desempeñan dentro de la
estructura orgánica para poder entender más a fondo los temas siguientes, es
primordial comenzar por definir a la organización.
2.1. Concepto de organización
La organización es el conjunto de personas que trabajan entre sí, realizando
funciones específicas, estas siguen un mismo objetivo con el fin de alcanzar la
meta prevista. Así pues para ir contextualizando estas ideas y darle un enfoque
con relación a las redes neuronales artificiales, es necesario empezar por
conceptualizar organización.
Según Guillermo Gómez (1994) es:
“La estructuración técnica de las relaciones que deben existir entre funciones,
niveles ya actividades de los elementos humanos y materiales de un organismo
social, con el fin de lograr máxima eficiencia en la realización de planes y objetivos
señalados con anterioridad” (p.191).
Harold Koontz y Heinz Weihrich (1998) opinan:
Se piensa en organización como: 1) La identificación y clasificación de las
actividades requeridas, 2) El agrupamiento de las actividades necesarias
para lograr los objetivos, 3) La asignación de cada agrupamiento a un
administrador con la autoridad necesaria para supervisarlo (delegación) y 4)
las medidas para coordinar horizontalmente
y verticalmente en la
estructura organizacional (p. 244).
48
Stoner y otros (1996). Opinan que organización:
“Son dos personas o más que trabajan juntas, de manera estructurada, para
alcanzar una meta o una serie de metas específicas” (p.6).
En conclusión organización es una estructura que combina el esfuerzo de los
individuos o grupos en sus respectivas funciones y actividades de los diferentes
niveles de la organización, para que se cumplan los objetivos planeados.
2.2. Las redes neuronales en la organización
Las redes neuronales deben ser aplicadas en situaciones en que los métodos
convencionales y las técnicas tradicionales han fallado en arrojar resultados
esperados, o cuando una mejora en el modelado puede significar una gran
diferencia en la eficiencia de la operación de un sistema, lo que lleva como
consecuencia una mejora en la relación costo-beneficio. De esta manera el
sistema trabajara mejor cuando presente una tolerancia alta al presentarse algún
error.
Por otro lado si observamos, a la organización podemos percatarnos de que tiene
un funcionamiento similar a la red neuronal; los individuos se comportan como
neuronas que recogen múltiple información para, con su conocimiento, procesar
una sola respuesta. Estos individuos se agrupan en áreas que son mini redes
neuronales que combinan de distintas formas este conocimiento para crear una
nueva salida agregada. En un nivel superior, toda la organización da una sola
salida a la distinta información que recibe de diferentes áreas.
Con esto se debe considerar el uso de las redes neuronales cuando:

El número de variables o la diversidad de los datos sean muy grandes.

Las relaciones entre las variables sean vagamente entendibles.

Las relaciones entre las variables sean difíciles de escribir mediante los
métodos convencionales.
49

Las variables o capturas presenten semejanzas dentro de un conjunto de
patrones, tal como sucede en aplicaciones de procesamiento de señales,
de control, de reconocimiento de patrones, producción y reconocimiento de
habla, en los negocios en la medicina, etc.
Dicho esto, hay algunas condiciones de partida necesarias para un modelo de red
neuronal organizativo.

Marco estratégico claro: la misión, visión, valores y filosofía empresarial
deben quedar muy claros para todos los individuos. Solo de esta forma, la
red trabajará para dar una respuesta común y alineada. El modelo de red
sin este marco no capitaliza esfuerzos.

Claridad en las conexiones entre las líneas estratégicas: cada línea
estratégica a trabajar debe estar claramente conectada con el resto y estas
conexiones deben ser comprendidas con claridad por toda la organización,
así como la contribución que se espera de cada uno de ellos a estas líneas.

Sistemas de información compartidos/gestión del conocimiento: los
miembros de la red deben disponer de accesos compartidos a la
información necesaria y un lugar donde gestionar ese conocimiento
generado de salida, ya que la salida de un individuo provoca la entrada de
información de otros muchos en el modelo de red.

Liderazgo: el liderazgo que potencia la tolerancia al error, la innovación y el
reto.

Empoderamiento /formación: es fundamental que desde recursos humanos
se provea de la autonomía suficiente a cada persona para que tenga
capacidad de procesamiento individual; para ello necesitará la adecuada
formación.

Flujos/Procesos clave: es básico detectar los procesos clave (flujos de
información, de materiales, financieros, etc…) y que estos funcionen de
forma rápida.

Tecnología: hay que adaptar la tecnología al funcionamiento adecuado de
las redes, no al revés. La tecnología como servicio y no como director.
50

Subsistema político: las habilidades políticas de los directivos deben ayudar
a reducir las fricciones que supone el trabajo en red, sobre todo en sus
comienzos.
Para concluir este punto, podemos decir que las personas que constituyen a la
organización deben tener conocimiento total de la razón de ser de esta, es decir
deben conocer el origen conociendo los hechos históricos que la formaron y le
dieron origen como estructura, así como la misión visión y objetivos a fin de que
no existan entorpecimientos en la información que se maneja debido a la falta de
conocimiento.
2.3. Implementación de las redes neuronales
Durante la implementación de una red neuronal como parte de un programa o
sistema informático se presenten 3 fases básicas, las cuales se describen a
continuación:
Diseño: en esta fase de se toma en cuenta la topología a emplearse y el número
de neuronas que la integraran.
Entrenamiento: en esta etapa se le presentan una serie de datos de entrada y
datos de salida a la red neuronal con el fin de que aprenda a partir de ellos.
Uso: se le proporcionan los datos requeridos a la red neuronal y esta genera los
resultados esperados en función del aprendizaje obtenido en la fase de
entrenamiento.
Por último cabe mencionar que las etapas antes mencionadas sintetizan el
proceso que se lleva a cabo para implementar una red neuronal lo que nos
proporciona una idea específica de este proceso y tener en cuenta que datos se
manejan en cada etapa.
51
2.4. Ventajas de las redes neuronales aplicadas a la
organización
La aplicación de un modelo de redes neuronales en la empresa permite:

Mayor capacidad de adaptación al entorno: al potenciar la capacidad del
individuo para captar entradas y darle independencia para generar una
salida, así como ponerlo en contacto con otros individuos, las posibilidades
de acertar en la opción elegida y de hacerlo de forma rápida crecen
exponencialmente

Autoorganización: las redes neuronales son capaces de autoorganizarse
según las distintas entradas y salidas realizadas de forma casi automática.
Ellas mismas fijan el valor de sus salidas y se organizan priorizando las
decisiones.

Tolerancia y resistencia a fallos: al encontrarse la información y la
capacidad de actuación distribuida, un error o fallo no tiene por qué
propagarse automáticamente a toda la red, puesto que tienen el
conocimiento de forma distribuida y son capaces de generar alternativas
correctoras.

Rapidez en la repuesta: ante cualquier incertidumbre, la red neuronal es
capaz de reconocer patrones rápidamente porque se trabaja de forma
simultánea, lo que hace que su actualización sea inmediata. (Hernández,
2009).
A fin de resumir, los temas anteriores proporcionan en conjunto con la
implementación de las redes neuronales artificiales un cambio significativo en las
funciones de la organización ya que de alguna manera agilizan cada
procedimiento llevado a cabo dentro de ella.
52
CAPITULO III: EJEMPLOS PRÁCTICOS DE REDES
NEURONALES ARTIFICIALES
3.1. El perceptrón multicapa para modelizar la situación
de quiebra en los bancos.
Uno de los temas sobre el que mayor número de estudios conocidos con
información contable se han realizado es la predicción de situaciones de quiebra
en las empresas.
La mayor parte de los trabajos que existen parten de un conjunto de razones
financieras obtenidas de la información contable que publican las empresas. Uno
de esos estudios fue realizado por algunos científicos como Beaver en 1996, así
como J. Laffarga, J. L. Martín y M. J Vázquez (1985 y 1986), en la ciudad de
España interesados en estudiar la crisis bancaria de 1977- 1985.
Con estos estudios se pudo extraer información concreta referente al anuario
estadístico de la banca privada, esta muestra contenía datos de sesenta y seis
bancos, veintinueve de los cuales quebraron. Para los bancos quebrados fue
necesario tomar en cuentas datos relativos a un año anterior a la quiebra, por su
parte para los bancos no quebrados se tomo información específica al año de
1982.
Para este caso según Serrano y Martín (1993):
Fue necesario emplear el modelo neuronal llamado perceptrón multicapa, con
aprendizaje Back-Propagation. Se trata de de una arquitectura multicapa, es decir
la primera capa es únicamente un conjunto de neuronas que envían las variables
de entrada a las capas ocultas, que son las encargadas del procesamiento y una
capa de salida que por su parte muestra el resultado al mundo exterior.
54
En otras palabras, este modelo a partir del aprendizaje supervisado, es capaz de
representar una aplicación que relaciona cada uno de los patrones de entrada con
su correspondiente patrón de salida. Como salida fue necesaria una única
neurona la cuál tenia encomendado una salida continua entre -5 y +0,5. Estos
valores fueron asignados en el aprendizaje como -0,5 a la empresa quebrada y
+0,5 a la no quebrada.
Es de considerar que para alcanzar un nivel de predicción estimado es la
selección de un conjunto adecuado de patrones de aprendizaje para la red
neuronal.
Para poder interpretar la información fue indispensable clasificar a los sesenta y
seis bancos en dos grupos. El primero constituido por los patrones de ejemplo, el
cual proporciona los patrones a aprender. El segundo grupo pertenece al conjunto
de test, con el que se mide la eficiencia de la operación de la red neuronal. La
elección de los patrones ejemplo se realizo al azar, obteniendo de esta forma
treinta y dos bancos, aproximadamente la mitad.
De la base de sesenta y seis bancos, fueron seleccionados treinta y dos al azar,
los utilizados para el patrón de aprendizaje; quince de ellos quebraron y diecisiete
no lo hicieron. De esta forma se entrenó a la rede neuronal para que fuera capaz
de asociar correctamente cada uno de los patrones de muestra con su valor
correcto, -0,5 y +0,5. Por otro lado los bancos restantes fueron ocupados como
test en la red ya entrenada.
En la siguiente figura se ejemplifica el funcionamiento del Modelo neuronal
llamado perceptrón multicapa, con aprendizaje Back-Propagation:
55
Figura 3.1.1. Modelo de perceptrón con backpropagation (Elaboración propia).
3.2. WEBSOM
El centro de investigación en Redes neuronales de la Universidad Tecnológica de
Heinsinki, dirigido Teuvo Kohonen desarrolló un sistema que permite ordenar
automáticamente grandes masas de información en texto completo, con el fin de
facilitar su exploración y navegación. En este tipo de sistema se encuentran
mensajes coloquiales, es decir sin un formato específico, generalmente con
errores ortográficos y sin corrección de estilo.
Sin embargo, el sistema es capaz de ordenar temáticamente de forma satisfactoria
más de 4,600 mensajes que contienen cerca de 1, 200,000 palabras. Para ello
utiliza un método que consta de los siguientes pasos:

Se toman todos los mensajes y se elimina la información no textual. Los
códigos especiales y las expresiones numéricas son tratadas mediante
reglas heurísticas.
56

Para reducir el procesamiento computacional, se desestiman aquellas
palabras que presentan una baja ocurrencia (menos de 50 veces) y son
tratadas como estradas vacías.

Con el fin de enfatizar el tema década mensaje y reducir las variaciones
erráticas causadas por los diferentes estilos de discusión, se eliminan las
palabras las palabras comunes que dificultan la discriminación temática.
Este ejemplo puede ser de indispensable en los sistemas bibliotecarios donde es
necesario tener un orden de la gran cantidad de información que existe y que se
maneja día a día y de sistema podría facilitar el ordenamiento masivo de manera
rápida.
3.3 Ibermática: sistema de reconocimiento de imágenes
El centro ibermática en Zamudio en la provincia de Vizcaya, país Vasco, utilizan
redes neuronales artificiales para desarrollar diversas aplicaciones, entre ellas se
encuentra un sistema el cual tiene como finalidad conseguir que la maquina
adquiera la capacidad de reconocimiento del cerebro humano, es decir que el
sistema sea capaz de reconocer e identificar los objetos con tan solo verlos.
En estos sistemas no se utiliza la programación informática el conocimiento se
almacena en una malla de neuronas entrelazadas que imitan las neuronas
naturales.
Una de las aplicaciones que están desarrollando, permitiría que sin tarjeta e
identificación alguna los trabajadores de una organización pudieran accesar al
edificio, este sistema reconocería los rostros de usuarios registrados y
automáticamente abriría la barrera de entrada.
Para lograr que este sistema pueda reconocer el rostro humano se necesita un
entrenamiento neuronal, el cual consiste en tomar varias fotos del rostro de la
persona en diferentes posiciones y se almacenan transformando la imagen a
grises así mismo se normalizan a una escala de 64 x 64 puntos a una ventana
para que sea siempre el mismo tamaño dentro.
57
En la
estructura de la red neuronal artificial se guardan los componentes
principales, los cuales al detectar el sistema un rostro lo compara con los datos
almacenados y si existen similitudes permite el acceso de lo contrario se deberá
registrar.
Para entender cómo funciona la estructura neuronal se presenta la siguiente figura
en la cual se puede visualizar cómo se comporta la información que se procesa en
su interior.
Figura 3.3.1. Estructura de red neuronal utilizada por el sistema de reconocimiento de rostros
(Elaboración propia).
Interpretando la figura anterior la imagen pixelada es la variable de entrada que
ingresa del lado de la columna izquierda, mientras que la columna de en medio
son las neuronas intermedias que tienen como propósito generar lapsos o pesos
con el resto de las neuronas y gracias a ese proceso extraen las características
específicas a cada rostro. Por otro lado del lado derecho el sistema mostrara el
resultado, identificara si la persona tiene o no permiso de entrar.
Cabe destacar que el sistema podría presentar problemas al recargar demasiado
la fase de aprendizaje, es decir si se insiste en que debe reconocer la imagen
muchas veces, cuando el rostro se visualice alterado por alguna cicatriz o barba
arrojaría errores y denegaría el acceso aunque se trate de la misma persona.
58
3.4. Trabajos desarrollados en Colombia
En el Departamento de Ingeniería Civil y Agrícola da la Universidad Nacional de
Colombia (Sede Bogotá) se han aplicado las redes neuronales artificiales de
conexión hacia delante, de tres capas y con propagación del error hacia atrás para
la predicción de caudales medios mensuales en tres estaciones de caudal
ubicadas en el departamento de Cundinamarca.
Los resultados obtenidos permiten identificar variables que afectan la calidad de
los mismos, tales como el esquema de normalización de los datos de entrada; el
efecto del algoritmo de búsqueda en los resultados finales y en la variación del
error; el número de capas y neuronas a utilizar; y el número de datos de entrada
(caudal) necesarios en cada patrón de entrenamiento y validación. Los resultados
también sugieren la posibilidad de aplicar las redes neuronales artificiales para
predecir registros de caudales con alto nivel de intermitencia en Colombia.
Por lo tanto, para realizar estos estudios se utilizó la información histórica de la
estación hidrométrica Puente Australia ubicada en la parte alta de un afluente del
río Bogotá. Los resultados indican que el comportamiento de las redes neuronales
calibradas utilizando únicamente caudales previos es relativamente pobre, pero
los resultados mejoran cuando se incluye como información de entrada el índice
rezago. Mediante este trabajo se concluyó que las redes neuronales recurrentes
presentaban un desempeño comparable con el de las redes neuronales de
conexiones hacia delante, pero requieren menos información de entrada. (Ochoa,
2003)
3.5. Sistema de inspección de Gaseoductos/Oleoductos:
NEUROPIPE
En Alemania el Centro de investigación de informática de Karlsruhe (FZI) y la
empresa
Pipetronix,
desarrollaron
un
sistema
de
inspección
automática
denominado Neuropipe, este sistema fue desarrollado pensando en que los
59
gaseoductos y oleoductos deben ser examinados de corrosión y otras averías
regularmente, el núcleo de Neuropipe es un clasificador basado en una Red
Neuronal que fue entrenada por muestras de averías seleccionadas manualmente.
El número de los valores de entrada (averías) de la red se redujo de 86 a 41 para
mejorar la generalización, esto se hizo mediante un mapa auto organizado (Self
Organizing Feature Map). Con estos valores característicos de las averías se
entrenaron cinco redes distintas, cada una era responsable para un tipo de
averías. Esta solución tiene la ventaja que cada red solamente tiene la información
sobre su clase respectiva, mientras que una sola red debería tener la información
de todas las cinco clases.
Esta manera de proceder fue demostrada correcta ya que la complejidad de las
redes variaba mucho. Con este método un 96% de las clasificaciones eran
correctas. Pero dentro del 4% de las clasificaciones incorrectas había averías
graves, por eso era preciso mejorar el sistema y para esto se empleó una
organización jerárquica de las redes neuronales debido al hecho que un 50% de
las averías pueden ser fácilmente separados de los otros, cinco redes siguientes
se encargaban del resto y así pudieran concentrarse en los datos más complejos.
Con este procedimiento se lograron tasas de un 99%. (Numberger, 2004).
3.6. Tratamiento Anaeróbico de Aguas Residuales
El proceso de la Digestión Anaeróbica es complejo, mediante este la materia
orgánica se transforma en compuestos más simples sin la necesidad de la
participación de oxigeno molecular en el proceso (Switzenbaum, 1995). En general
este proceso se puede dividir en tres etapas como se muestra en el siguiente
esquema:
60
Esquema 3.6.1. Digestión anaerobia (Castellano M. 2009)
El
tratamiento
de
aguas
residuales
en
digestores
anaerobios
se
usa
principalmente para efluentes de origen industrial, sin embargo también se ha
aplicado de forma eficaz en el tratamiento de aguas residuales urbanas.
El control de una planta que se dedica al tratamiento de aguas residuales es
fundamental y debido a la complejidad del proceso y su necesidad de estabilidad
hace que sea necesario un sistema de monitorización y control.
El uso de una Red Neuronal en el sistema de control, se centra en la utilización de
controles sobre una variable predicha a cierto horizonte de control, para crear un
controlador predictivo o anticipativo, cuyo objetivo es la predicción del
comportamiento de las variables de control de hidrógeno y metano.
El horizonte temporal de predicción debe ser lo suficientemente amplio para
proporcionar margen para la actuación del controlador, al tiempo que la magnitud
del error no debe ser tan grande que distorsione la magnitud de acción del control.
61
Para esto se opta por redes con varios nodos en la capa de salida, de modo que la
red minimice el error a lo largo de un intervalo temporal. (Castellano M. 2009).
3.7. RNAs para Calificar la Capacidad de Crédito de
Entidades Mexicanas de Gobierno
Las redes neuronales artificiales han sido muy utilizadas dentro del área
financiera. Por ejemplo:

Para modelar el comportamiento del mercado cambiario y mercados de
capitales

Para evaluación de créditos e inversiones

Para realizar pronósticos de bancarrota y de calidad crediticia
En varios estudios se ha encontrado que los resultados obtenidos de aplicar RNAs
a estos procesos son mejores que cuando se aplica otra técnica estadística o
matemática.
Una aplicación donde las RNA y otros modelos de inteligencia computacional han
mostrado ser particularmente útiles es en la estimación de calificaciones
crediticias.
“Desde 2001, la calificación crediticia fue implantada como un requisito opcional
para los gobiernos estatales y municipales de México que busquen buenas
condiciones para sus financiamientos comerciales. Actualmente, todos los estados
de la República Mexicana cuentan con al menos dos calificaciones crediticias
otorgadas por agencias reconocidas internacionalmente” (Gómez M. y Mendoza
A., 2010, p. 26).
El esquema siguiente muestra los componentes principales de un sistema
estimador de calificaciones crediticias basado en una RNA, el cual contiene tres
componentes principales: entrenamiento, ajustes y evaluación:
62
Esquema. 3.7.1. Sistema basado en RNA para estimar calificaciones crediticias (Gómez M. y
Mendoza A. 2010)
Un ejemplo del funcionamiento de las RNA en el ámbito financiero se muestra en
el trabajo titulado “Herramientas para el Pronóstico de la Calificación Crediticia de
las Finanzas Públicas Estatales en México: Redes Neuronales Artificiales, Modelo
Probit Ordenado y Análisis Discriminante” el cual obtuvo el segundo lugar en la
Categoría de Investigación del Premio Nacional Bolsa Mexicana de Valores 2009,
para este se utilizaron 34 variables financieras de entrada, seleccionadas con
base en un análisis minucioso de la información proporcionada por las
organizaciones
calificadoras
y
con
base
en
resultados
obtenidos
de
investigaciones anteriores. Para el estimador de calificaciones crediticias se utiliza
una red de perceptrones con un nivel escondido que recibe 34 entradas y genera
una salida. Las entradas son las variables financieras y la salida es un valor
numérico real que aproxima la calificación crediticia. A su vez este último valor es
aproximado a un número entero en el intervalo de los valores numéricos de las
calificaciones presentes en los datos de entrenamiento.
La red se entrenó utilizando un algoritmo conocido como retropropagación, el cual
se dice que es “supervisado”, pues funciona utilizando un conjunto de ejemplos
63
que contienen las salidas esperadas de la red, además de los valores que se
usarán para alimentarla.
La siguiente tabla contiene los porcentajes de acierto obtenidos por una RNA con
10 nodos escondidos para un conjunto de pruebas de los estados de la República
Mexicana, comparada con otros métodos convencionales ((Mendoza-Velázquez y
Gómez-Gil 2010) y como puede la RNA obtiene un mejor porcentaje de aciertos
exactos que los otros métodos:
Tabla. 3.7.1. Porcentajes de acierto obtenidos por una RNA con 10 nodos escondidos, comparada
con otros métodos convencionales (Mendoza-Velázquez y Gómez-Gil 2010)
64
CONCLUSIONES
Como hemos aprendido a lo largo de los capítulos, el origen de las redes
neuronales artificiales comienza a partir de la inquietud e interés por parte de
varios estudiosos de crear modelos neuronales con el fin de computar datos de
manera lógica, basándose en las funciones del sistema biológico.
En consecuencia, esta serie de acontecimientos han generado aportes científicos
personales por parte de cada uno de los investigadores al desarrollo de la ciencia
neuroartificial, lo que nos permiten adentrarnos más concretamente al mundo de la
inteligencia artificial y al mismo tiempo, sigue sirviendo como base para el
descubrimiento de nuevos inventos.
En este trabajo, se definió cada una de las partes y elementos que componen el
sistema biológico neuronal y a la red neuronal artificial, con la finalidad de conocer
más a fondo la función que ejecuta cada elemento con respecto al procesamiento
que cada sistema realiza.
A lo que podríamos concluir, que las RNAs son modelos computacionales que
tratan de asimilar de manera simplificada, el complejo comportamiento del cerebro
humano.
Aunque por otra parte, a pesar de todas las investigaciones realizadas y con los
avances tecnológicos de la actualidad, sigue siendo poco entendible el
funcionamiento del cerebro humano, por lo que también considero que una red
neuronal no es un modelo del todo representativo del cerebro, sino que más bien
se trata de ir entendiendo y reproduciendo el funcionamiento de sus elementos
fundamentales, las neuronas.
Dicho en otras palabras, las redes neuronales pueden considerarse una
tecnología computacional que puede utilizarse en un gran número y variedad de
aplicaciones; las cuales se pueden desarrollar en un periodo de tiempo razonable
y pueden realizar tareas concretas, lo que nos permite optimizar tiempo y trabajo.
A través del desarrollo de este trabajo logro aprender que las redes neuronales
pueden tener diversas formas (topología) y tipos de neuronas en su estructura de
66
acuerdo al uso que se les requiera dar y dependiendo de qué situaciones se
deseen resolver, ya que cada estructura realiza funciones diferentes lo que
permite que el sistema se adapte a cada labor.
Pero también me pude percatar que cada estructura que integra una red neuronal
sigue una jerarquía de elementos en su constitución, lo que tiene un sentido en
particular para los datos que procesa, es decir el resultado final dependerá de la
dirección que tome la información.
Puedo decir que el comportamiento de las redes neuronales depende del empeño
y dedicación del entrenamiento al que se someten, ya que es ahí donde estos
sistemas logran hacerse experto con el paso del tiempo y la experiencia con el
que frecuentemente realizan las tareas.
67
FUENTES DE INFORMACIÓN

Anderson J. (2007). Redes neuronales. México: Alfaomega.

Aróztegui J., & Prados J. M. (2008). La perspectiva conexionista: hitos y
limitaciones. Revista de historia de la psicología, 29,17-24.

Aznar E.R. (2007).Biografías. Recuperado el 2 de agosto de 2013, de
International Mathematical Union: http://www.ugr.es/~eaznar/index.html

Biblioteca Digital. IV. La sinapsis: estructura y función. Recuperado el 19 de
agosto
de
2014,
de
bibliotecadigital:http://bibliotecadigital.ilce.edu.mx/sites/ciencia/volumen3/cie
ncia3/130/html/sec_9.html

Castellano M.M. (2009). Modelización estadística con Redes Neuronales.
Aplicaciones a la Hidrología, Aero biología y Modelización de Procesos.
Tesis de doctorado. Universidad de La Coruña, La Coruña, España.

Córdoba F. (2005). Fundamentos biológicos del aprendizaje y la memoria.
Recuperado
el
20
de
septiembre
de
2014,
de
uhu:
http://www.uhu.es/francisco.cordoba/asignaturas/FBAM/TEMAS%20PDF/7PLASTICIDAD.pdf

Cruz A. (2003). Estabilidad de entrada-estado (ISS) para identificación con
redes neuronales dinámicas. Tesis de Maestría. Instituto politécnico
nacional, México, D.F.

Flórez R. y Fernández J.M. (2008). Las Redes Neuronales Artificiales:
Fundamentos Teóricos y aplicaciones prácticas.España: Netbiblo, S. L.

Freeman J.A. (1993).Redes neuronales: algoritmos, aplicaciones y técnicas
de
programación.
Estados
Unidos
de
América:
Addison-Wesley
Iberoamericana, S.A.

Fuente M.J., Calonge T. (1999). Aplicaciones de las redes de neuronas en
supervisión, diagnosis y control de procesos. Venezuela: EQUINOCCIO.
68

Gaona S. (1991). Estudio comparativo de sistemas expertos contra redes
neuronales. Tesis de Licenciatura. Universidad Veracruzana, Xalapa,
Veracruz, México.

Gómez G. (1994). “Planeación y Organización de Empresas”. México:
McGraw-Hill.

Gómez M. y Mendoza A. (2010). Redes Neuronales Artificiales para
Calificar la Capacidad de Crédito de Entidades Mexicanas de Gobierno.
Komputer Sapiens, 2, 26-32.

Haykin S. (1998) Neural Networks: A comprehensive Foundation. Segunda
Edición, Prentince Hall.

Hebb
D.O.
(1949).
TheOrganization
of
Behavior:
A
NeuropsychologicalTheory.New York: Taylor & Francis.

Hernández G. (2009). Implementación numérica de redes neuronales
artificiales para el análisis de grietas en placas. Tesis de maestría. Instituto
Politécnico Nacional, México, D.F.

Hilera J.R., y Martínez V.J. (1995). Redes neuronales artificiales:
Fundamentos, Modelos y Aplicaciones. Estados Unidos. Addison-Wesley
Iberoamericana, S.A.

Ibermática (Febrero de 2011). Ibermática crea un sistema que reconocer
objetos y personas a través de la Inteligencia Artificial. Recuperado el 20 de
Septiembre de 2014, de Ibermática: http://www.ibermatica.com/sala-deprensa/innovacion/ibermatica-crea-un-sistema-que-reconocer-objetos-ypersonas-traves-de-la

Kohonen T. (1997). Self-organizing Maps. Berlín: Springer-Verlag.

Koontz H. y Weihrich H. (1998). Administración. Una perspectiva global.
México: McGraw-Hill.

Lafon, S. (2002). Redes neuronales: Tratamiento Estadístico de Señales.
Recuperado
el
9
de
19
de
septiembre
de
2014,
de
fing.edu:http://www.fing.edu.uy/iie/ense/asign/tes/materiales/monografias/R
edesNeuronales.pdf

Llinás R.R. (2003). El cerebro y el mito del yo. Bogotá: Editorial Norma
69

Maren A., Harston C., y Pap R. (1990). Handbook of Neural Computing
Applications.Academic Press.

Martin B., y Sanz A. (2007). Redes neuronales y sistemas borrosos.
México: Alfaomega

Matich D. (2001). Redes neuronales: conceptos básicos y aplicaciones.
Cátedra. Universidad Tecnológica Nacional.

McClelland J. (2014). Explorations in Parallel Distributed, Processing: A
Handbook of Models, Programs, and Exercises. Second Edition, DRAFT.

Numberger D. (2004). Aplicaciones industriales de redes neuronales. ETSI
Telecomunicación: Universidad Politécnica de Madrid.

Ochoa, S. (2003). Aplicaciones de las RNA. Recuperado el 18 de
septiembre
de
2014,
de
JDI,
LLC:
http://fluidos.eia.edu.co/hidraulica/articuloses/flujoentuberias/neuronal/neuro
nal_archivos/page0007.htm

Pasantes H. (1997). De neuronas, emociones y motivaciones. México:
Fondo de Cultura Económica.

Pastor A. (2012). Reconocimiento de objetos mediante redes neuronales.
Madrid: Editorial Lulu.

Paul D.H. (1977). Fisiología de la célula nerviosa. Madrid, España: H.
Blume Ediciones.

Ramírez, J. A., y Chacón, M. I. (2011). Redes neuronales artificiales para el
procesamiento de imágenes, una revisión de la última década. Revista de
ingeniería eléctrica, electrónica y computación, 9, 7-15.

Real Academia Española (2001). Diccionario de la lengua española, (22.a
ed.), Consultado en:http://lema.rae.es/drae/?val=NEURONA

Redes Neuronales. Recuperado el 20 de Septiembre de 2014, de Redes
Neuronales: http://perso.wanadoo.es/alimanya/hopfield.htm

Reyes A. (2004). Administración de empresas: teoría y práctica. México:
LIMUSA, S.A de C.V.
70

Serrano C., y Martín B. (1993).Predicción de la quiebra bancaria mediante
el empleo de redes neuronales artificiales. Revista española de financiación
y contabilidad, 23, (no.74) ,153-176.

Stoner A.F., Freeman E. y GILBERT D.R. (1996). Administración, México:
Editorial Prentice Hall.
71
GLOSARIO
RNA. Red Neuronal Artificial
Umbral. Valor mínimo de un agente físico o estímulo capaz de producir un efecto.
Ponderación. Es el peso o la relevancia que tiene algo.
Modelizar. Construir un modelo.
Exocitosis.Proceso mediante el cual una célula viva libera al exterior sustancias q
ue son producto de su metabolismo.
Presináptico. Hacia donde se conduce el impulso de la sinapsis.
Postsináptico. De donde proviene impulso la sinapsis.
Micra. Una micra o micrómetro equivale a una millonésima parte de un metro.
Nanómetro. El nanómetro es una medida de longitud utilizada para medir
radiaciones, equivale a una milmillonésima parte de un metro.
73
ÍNDICE DE FIGURAS
Figura 1.4.1. Conexión entre dos neuronas biológicas (Aporte personal)………...20
Figura 3.1.1. Modelo de perceptrón con backpropagation (Elaboración propia)…56
Figura 3.3.1. Estructura de red neuronal utilizada por el sistema de reconocimiento
de rostros (Elaboración propia)………………………………………………………...58
74
ÍNDICE DE IMÁGENES
Imagen 1.1.1. El Perceptrón de Rosenblatt (McClelland, 2014)……….………...…11
Imagen 1.3.6.1. Proceso de la sinapsis (Biblioteca Digital)…………………………18
Imagen 1.3.6.2. Activación de la sinapsis (Flórez y Fernández, 2008)…………....19
Imagen 1.5.1. Paralelismo entre el modelo biológico (a) y el modelo McCullochpitts (b) (Torra y Monte, 2013)………………………………………………………… 21
Imagen 1.5.2.1. Modelo genérico de neurona artificial (Martín y Sanz, 2007)…... 26
Imagen 1.5.4.1. Analogía directa entre la neurona biológica y la neurona artificial
(Flórez y Fernández, 2008)……………………………………………………………. 27
Imagen 1.10.1.1 Red Adaline (a) y Red Madaline(b) (Flórez y Fernández, 2008).43
75
ÍNDICE DE TABLAS
Tabla 1.1.1 La década de las redes neuronales (Aporte personal)………………..12
Tabla 1.3.4.1. Receptores del cuerpo humano (Elaboración propia)………………16
Tabla. 3.7.1. Porcentajes de acierto obtenidos por una RNA con 10 nodos
escondidos, comparada con otros métodos convencionales (Mendoza-Velázquez y
Gómez-Gil 2010)………………………………….……………………………………..64
76
ÍNDICE DE ESQUEMAS
Esquema 1.2.1. Estructuras típicas de las neuronas biológicas (Flórez y
Fernández, 2008)………………………………………………………………………..14
Esquema 1.5.2. Tipos de neuronas artificiales (Flórez y Fernández, 2008)………22
Esquema 1.5.1.1. Modelo de una neurona artificial (Lafon, 2002)…………………24
Esquema 1.5.1.2. Representación de un perceptrón de dos entradas (Hernández,
2009)…………………………………………………………………………………….. .24
Esquema 1.5.4.1. Estructura jerárquica de un sistema basado en redes neuronales
artificiales (Flórez y Fernández, 2008)………………………………………………...28
Esquema 1.7.1.1. Ciclo del aprendizaje supervisado (Torra y Monte, 2013)……..32
Esquema 1.7.2.1. Ciclo del aprendizaje no supervisado (Torra y Monte, 2013)….34
Esquema.1.9.2.1 Red neuronal monocapa (Basogain, 2012)………………………41
Esquema 1.9.3.1. Estructura de la red neuronal multicapa (Cruz, 2003)………….42
Esquema 1.10.2.1 Red de Hopfield (Elaboración propia)…………………………...44
Esquema 3.6.1. Digestión anaerobia (Castellano M. 2009)………………………..61
Esquema. 3.7.1. Sistema basado en RNA para estimar calificaciones crediticias
(Gómez M. y Mendoza A. 2010)……………………………………………………….63
77