Teoría de la resonancia adaptativa

Autor:
PhD. Guillermo Choque Aspiazu
http://www.eldiario.net/
Publicado en:
Junio 14 de 2010

Una red neuronal artificial es un sistema de procesamiento de información que tiene ciertas características de funcionamiento en común con las redes neuronales biológicas. Las redes neuronales artificiales se han desarrollado como generalizaciones de modelos matemáticos del conocimiento humano o de la biología neuronal, basados en las siguientes suposiciones: (1) El proceso de la información ocurre en muchos elementos simples llamados neuronas. (2) Las señales pasan entre las neuronas a través de enlaces que las unen. (3) Cada conexión entre neuronas lleva asociado un peso, el cual, en una red neuronal típica, lo que hace es multiplicar la señal transmitida. (4) Cada neurona aplica una función de activación, generalmente no lineal, a su entrada con el objetivo de determinar su señal de salida. Asimismo, una red neuronal se caracteriza por estos tres elementos o características: (1) La topología de conexiones entre neuronas, lo que recibe el nombre de arquitectura de la red. (2) El método de determinación de los pesos sobre las conexiones, denominado algoritmo de entrenamiento o de aprendizaje. (3) La función de activación que tengan sus neuronas.

Sistemas neurodifusos

Autor:
PhD. Guillermo Choque Aspiazu
http://www.eldiario.net/
Publicado en:
Mayo 31 de 2010

Durante los últimos treinta a cuarenta años las investigaciones en redes neuronales y en sistemas difusos han sido independientes debido en gran parte a los diferentes orígenes y motivaciones de ambos paradigmas. Hoy es ampliamente conocido que la lógica difusa ofrece un marco muy poderoso para el razonamiento aproximado que intenta modelar el proceso de razonamiento humano en un nivel cognoscitivo. Los sistemas difusos adquieren el conocimiento gracias al dominio del experto el cual es codificado dentro del algoritmo en términos de un conjunto de reglas difusas “si-entonces”. Los sistemas difusos emplean este enfoque basado en reglas e interpolan el razonamiento para responder a entradas nuevas. En contraste, las redes neuronales ofrecen una arquitectura altamente estructurada, con capacidades de aprendizaje y generalización, que intenta imitar el mecanismo neurológico del cerebro. Una red neuronal almacena conocimiento de una manera distribuida dentro de sus pesos, los cuales han sido determinados por medio del entrenamiento, para el aprendizaje, con muestras conocidas. La habilidad de generalización para entradas nuevas está basada en la estructura algebraica inherente de la red neuronal. También se ha demostrado que ambas tecnologías combinadas tienen capacidades elevadas de aproximación universal.

Redes neuronales para series de tiempo

Autor:
PhD. Guillermo Choque Aspiazu
http://www.eldiario.net/
Publicado en:
Enero 4 de 2010

Como lo señalan Swanson y White el año 1995, además de Plasmans y sus colegas el año 1998, un modelo de red neuronal artificial se define como una clase de modelos no lineales flexibles desarrollados por científicos cognitivos. Tales modelos están inspirados en ciertas características asociadas al procesamiento de información en el cerebro humano. El elemento central de este tipo de modelo es la estructura novedosa del sistema de procesamiento de la información, la cual está compuesta por un gran número de elementos interconectados de procesamiento que operan al mismo tiempo para resolver un problema específico. Dichos modelos son capaces de aprender mediante la interacción con su ambiente; tal aprendizaje puede ser entendido como un procedimiento estadístico de estimación recursiva. En particular, una red neuronal artificial se configura para una aplicación específica, de tal forma que el reconocimiento de patrones y la clasificación de información se alcanzan a través de un proceso de aprendizaje. Es de señalar que el aprendizaje tanto en sistemas biológicos como en las redes neuronales artificiales conlleva ajustes en las conexiones sinápticas entre las neuronas.

Red neuronal polinomial

Autor:
PhD. Guillermo Choque Aspiazu
http://www.eldiario.net/
Publicado en:
Septiembre 28 de 2009

El procesamiento de información de carácter redundante, imprecisa y distorsionada posee un papel primordial para la resolución de problemas reales de clasificación o de predicción en muchas áreas científicas. Una de las metodologías con un mayor auge en la última década son los modelos de redes neuronales, que en esencia son estructuras formales de carácter matemático y estadístico con la propiedad de aprendizaje, es decir, la adquisición de conocimientos que en la mayoría de los casos es a partir de ejemplos. Este aprendizaje se produce mediante un estilo de computación denominado en paralelo que intenta simular algunas de las capacidades que posee el cerebro humano. Por esta razón se las definen como redes neuronales artificiales para distinguirlas de los modelos biológicos.

Red neuronal de Hopfield

Autor:
PhD. Guillermo Choque Aspiazu
http://www.eldiario.net/
Publicado en:
Marzo 23 de 2009

Las redes neuronales están basadas en el funcionamiento de la neurona biológica residente en el sistema nervioso central, sus orígenes se remontan a los primeros años de la informática, de manera contemporánea a la teoría de la computación de Turing. Una red neuronal artificial es un modelo computacional inspirado en redes neuronales biológicas que puede ser considerada como un sistema de procesamiento de información con características como aprendizaje a través de ejemplos, adaptabilidad, robustez, capacidad de generalización y tolerancia a fallos. La red neuronal artificial puede ser definida como una estructura distribuida, de procesamiento paralelo, formada de neuronas artificiales, llamadas también elementos de procesamiento, interconectados por un gran numero de conexiones, las cuales son usadas para almacenar conocimiento.

Redes Neuronales Predictivas

Autor:
PhD. Guillermo Choque Aspiazu
http://www.eldiario.net/
Publicado en:
Diciembre 22 de 2008

La predicción es una adivinación calculada del futuro. Desde el punto de vista metodológico, los métodos de predicción se pueden agrupar en dos grandes bloques: métodos cualitativos o tecnológicos y métodos cuantitativos. Básicamente los métodos cualitativos se utilizan en aquellos casos en los que el pasado no proporciona una información directa sobre el fenómeno considerado. En las predicciones de carácter cuantitativo, se parte del supuesto de que se tiene registrada información sobre el pasado relacionado con el fenómeno que se quiere estudiar. Generalmente la información sobre el pasado aparece en forma de series de tiempo. La predicción constituye un elemento clave para el desarrollo de la ciencia. En la actualidad, el enfoque predictivo ha dejado de ser una actividad esotérica para convertirse en un instrumento de gran potencialidad, en campos tan diversos como la economía, medicina, política, demografía o la ya clásica meteorología.

Genética Mendeliana

Autor:
PhD. Guillermo Choque Aspiazu
http://www.eldiario.net/
Publicado en:
Septiembre 29 de 2008

La genética estudia la forma como las características de los organismos vivos, sean éstas morfológicas, fisiológicas, bioquímicas o conductuales, se transmiten, se generan y se expresan, de una generación a otra, bajo diferentes condiciones ambientales. La genética intenta explicar cómo se heredan y se modifican las características de los seres vivos, que pueden ser: (1) De forma, la altura de una planta, el color de sus semillas, la forma de la flor; etc.; (2) fisiológicas, por ejemplo la constitución de determinada proteína que lleva a cabo una función específica dentro del cuerpo de un animal; (3) de comportamiento, en la forma de cortejos antes del apareamiento en ciertos grupos de aves, o la forma de aparearse de los mamíferos, etc. De esta forma, la genética trata de estudiar cómo estas características pasan de padres a hijos, a nietos, etc., y por qué varían generación tras generación.

Redes Neuronales Celulares

Autor:
PhD. Guillermo Choque Aspiazu
http://www.eldiario.net/
Publicado en:
Septiembre 22 de 2008

Las redes neuronales son modelos que intentan reproducir el comportamiento del cerebro debido a que constan, de dispositivos elementales de proceso denominados neuronas artificiales. Una definición adecuada puede ser: “una red neuronal artificial es un procesador distribuido, masivamente paralelo, que tiene una predisposición natural a almacenar conocimiento experimental y hacerlo disponible para su utilización”. Los sistemas de redes neuronales artificiales están basados en las propiedades no lineales de la operación conjunta de unidades de proceso elementales, y presentan como característica distintiva el que su función quede directamente trasladada a una arquitectura modular tras un proceso de aprendizaje, no de programación. Esto constituye una alternativa a la computación basada en reglas de decisión prefijadas y algoritmos codificados en forma de programas de computadora, que se muestran altamente ineficaces, en el tiempo, en aplicaciones que involucren clasificación, asociación y generalización.