Red neuronal - Historial de revisiones

Carlos idict: Texto reemplazado: «
» por «»

2019-09-01T19:09:18Z

Texto reemplazado: «<div align="justify">» por «»

Haydee ciget.stgo: /* Fuentes */

2012-09-17T18:50:52Z

‎Fuentes

Haydee ciget.stgo en 15:04 17 sep 2012

2012-09-17T15:04:27Z

Haydee ciget.stgo: /* Ventajas */

2012-09-17T14:39:18Z

‎Ventajas

Viana06221jcscu en 16:21 15 sep 2011

2011-09-15T16:21:01Z

Carlos idict: /* Fuentes */

2011-05-25T14:05:09Z

‎Fuentes

Carlos idict en 14:04 25 may 2011

2011-05-25T14:04:04Z

Naty05024jc: /* Aplicaciones */

2011-04-28T14:03:59Z

‎Aplicaciones

Naty05024jc: Página creada con '
{{Definición |nombre=Red neuronal |imagen=Redes_neuronales.JPG |tamaño= |concepto= Técnica de inteligencia artificial, paradigma de aprendizaje y proces...'

2011-04-28T13:57:30Z

Página creada con '<div align="justify"> {{Definición |nombre=Red neuronal |imagen=Redes_neuronales.JPG |tamaño= |concepto= Técnica de inteligencia artificial, paradigma de aprendizaje y proces...'

Página nueva

<div align="justify">
{{Definición |nombre=Red neuronal |imagen=Redes_neuronales.JPG |tamaño= |concepto= Técnica de inteligencia artificial, paradigma de aprendizaje y procesamiento automático.}}

'''Red neuronal.''' Constituye un paradigma de aprendizaje y procesamiento automático. En el campo de la inteligencia artificial se refiere habitualmente de forma más sencilla como redes de neuronas o redes neuronales, las redes de neuronas artificiales (denominadas habitualmente como RNA o en inglés como: "ANN". Aunque en inglés se utiliza el acrónimo ANN (de Artificial Neural Networks) para referirse a este campo de la computación en este artículo se utilizará su equivalente castellano RNA.) son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el [[Sistema nervioso]] de los animales. Se trata de un sistema de interconexión de [[Neuronas]] en una [[Red]] que colabora para producir un estímulo de salida.

 

== Inicios ==

Las Redes Neuronales Artificiales (ANNs de Artificial Neural Networks) fueron originalmente una simulación abstracta de los sistemas nerviosos biológicos, formados por un conjunto de unidades llamadas "neuronas" o "nodos" conectadas unas con otras. Estas conexiones tienen una gran semejanza con las dendrítas y los axones en los sistemas nerviosos biológicos. El Primer modelo de red neuronal fue propuesto en 1943 por McCulloch y Pitts en términos de un modelo computacional de "actividad nerviosa". El modelo de McCulloch-Pitts es un modelo binario, y cada neurona tiene un escalón o umbral prefijado. Este primer modelo sirvió de ejemplo para los modelos posteriores de Jhon Von Neumann, Marvin Minsky, Frank Rosenblatt, y muchos otros. Una primera clasificación de los modelos de ANNs podría ser, atendiendo a su similitud con la realidad biológica:

# Los modelos de tipo biológico. Este comprende las redes que tratan de simular los sistemas neuronales biológicos así como las funciones auditivas o algunas funciones básicas de la visión. 
#El modelo dirigido a aplicación. Estos modelos no tienen porque guardar similitud con los sistemas biológicos. Sus arquitecturas están fuertemente ligadas a las necesidades de las aplicaciones para las que son diseñados. 

= Análisis de la red neuronal =

Una de las misiones en una red neuronal consiste en simular las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de válvulas). El objetivo es conseguir que las máquinas den respuestas similares a las que es capaz de dar el [[Cerebro]] que se caracterizan por su generalización y su robustez. [[Image:250px-Computer.Science.AI.Neuron.jpg|right|Perceptrón con 2 entradas]]

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones: 

#Una función de propagación (también conocida como función de excitación), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, se denomina inhibitoria.
#Una función de activación, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma función de propagación.
#Una función de transferencia, que se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son la sigmoide (para obtener valores en el intervalo [0,1]) y la hiperbólica-tangente (para obtener valores en el intervalo [-1,1]). 

== Estructura ==

La mayoría de los científicos coinciden en que una RNA es muy diferente en términos de estructura de un cerebro animal. Al igual que el cerebro, una RNA se compone de un conjunto masivamente paralelo de unidades de proceso muy simples y es en las conexiones entre estas unidades donde reside la inteligencia de la red. Sin embargo, en términos de escala, un cerebro es muchísimo mayor que cualquier RNA creada hasta la actualidad, y las neuronas artificiales también son más simples que su contrapartida animal. Biológicamente, un cerebro aprende mediante la reorganización de las conexiones sinápticas entre las neuronas que lo componen. De la misma manera, las RNA tienen un gran número de procesadores virtuales interconectados que de forma simplificada simulan la funcionalidad de las neuronas biológicas. En esta simulación, la reorganización de las conexiones sinápticas biológicas se modela mediante un mecanismo de pesos, que son ajustados durante la fase de aprendizaje. En una RNA entrenada, el conjunto de los pesos determina el conocimiento de esa RNA y tiene la propiedad de resolver el problema para el que la RNA ha sido entrenada. Por otra parte, en una RNA, además de los pesos y las conexiones, cada neurona tiene asociada una función matemática denominada función de transferencia. Dicha función genera la señal de salida de la neurona a partir de las señales de entrada. La entrada de la función es la suma de todas las señales de entrada por el peso asociado a la conexión de entrada de la señal. Algunos ejemplos de entradas son la función escalón o Heaviside, la lineal o mixta, la sigmoidal y la función gaussiana, recordando que la funcion de transferencia es la relacion entre la señal de salida y la entrada. 

== Ventajas ==

Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadas en la estructura del sistema nervioso, principalmente el cerebro. 

*Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida (respuesta) esperada.
*Auto organización: Una RNA crea su propia representación de la información en su interior, descargando al usuario de esto.
*Tolerancia a fallos: Debido a que una RNA almacena la información de forma redundante, ésta puede seguir respondiendo aceptablemente aún si se daña parcialmente.
*Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada (ej. si la información de entrada es la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente)
*Tiempo real: La estructura de una RNA es paralela, por lo cuál si esto es implementado con computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real. 

Tipología Modelos Existe una serie de modelos que aparecen en la mayoría de estudios académicos y la bibliografía especializada. 

*[[Perceptrón]] 
*[[Adaline]] [[Perceptrón multicapa|Perceptrón multicapa]] 
*[[Perceptrón multicapa]] 
*[[Memorias asociativas]] 
*[[Máquina de Bolzman]] 
*[[Máquina de Cauchy]] 
*[[Redes de Elman]] [[Redes de Hopfield]] [[Red de contrapropagación|Red de contrapropagación]] 
*[[Red de contrapropagación]] 
*[[Redes de neuronas de base radial]] 
*[[Redes de Kohonen o mapas autoorganizados]] 
*[[Crecimiento dinámico de células]] [[Gas Neuronal Creciente|Gas Neuronal Creciente]] 
*[[Gas Neuronal Creciente]] 
*[[Redes ART (Adaptative Resonance Theory)]] 

== Topología ==

Una primera clasificación de las redes de neuronas artificiales que se suele hacer es en función del patrón de conexiones que presenta. Así se definen tres tipos básicos de redes: • Dos tipos de redes de propagación hacia delante o acíclicas en las que todas las señales van desde la capa de entrada hacia la salida sin existir ciclos, ni conexiones entre neuronas de la misma capa. o Monocapa. Ejemplos: perceptrón, Adaline. o Multicapa. 

Ejemplos: perceptrón multicapa. 

• Las redes recurrentes que presentan al menos un ciclo cerrado de activación neuronal. Ejemplos: Elman, Hopfield, máquina de Bolzman
</div>
= Aplicaciones =

Las características de las RNA las hacen bastante apropiadas para aplicaciones en las que no se dispone a priori de un modelo identificable que pueda ser programado, pero se dispone de un conjunto básico de ejemplos de entrada (previamente clasificados o no). Asimismo, son altamente robustas tanto al ruido como a la disfunción de elementos concretos y son fácilmente paralelizables. Esto incluye problemas de clasificación y reconocimiento de patrones de voz, imágenes, señales, etc. Asimismo se han utilizado para encontrar patrones de fraude económico, hacer predicciones en el mercado financiero, hacer predicciones de tiempo atmosférico, etc. También se pueden utilizar cuando no existen modelos matemáticos precisos o algoritmos con complejidad razonable; por ejemplo la red de Kohonen ha sido aplicada con un éxito más que razonable al clásico problema del viajante (un problema para el que no se conoce solución algorítmica de complejidad polinómica). Otro tipo especial de redes neuronales artificiales se ha aplicado en conjunción con los algoritmos genéticos (AG) para crear controladores para robots. La disciplina que trata la evolución de redes neuronales mediante algoritmos genéticos se denomina Robótica Evolutiva. En este tipo de aplicación el genoma del AG lo constituyen los parámetros de la red (topología, algoritmo de aprendizaje, funciones de activación, etc.) y la adecuación de la red viene dada por la adecuación del comportamiento exhibido por el robot controlado (normalmente una simulación de dicho comportamiento) 

= Fuentes =

[http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html Tutorial de la Universidad Politécnica de Madrid ](español) [http://www.redes-neuronales.com/ Información, código fuente y ejemplos en Java] (español)

[[Category:Bases_de_datos]]

← Revisión anterior		Revisión del 19:09 1 sep 2019
Línea 1:		Línea 1:
−	~~<div align="justify">~~	+
	{{Definición \|nombre=Red neuronal \|imagen=Redes_neuronales.JPG \|tamaño= \|concepto= Técnica de inteligencia artificial, paradigma de aprendizaje y procesamiento automático.}}'''Red neuronal.''' Constituye un paradigma de aprendizaje y procesamiento automático ins`pirado en ña forma en que funciona el [[Sistema nervioso]].		{{Definición \|nombre=Red neuronal \|imagen=Redes_neuronales.JPG \|tamaño= \|concepto= Técnica de inteligencia artificial, paradigma de aprendizaje y procesamiento automático.}}'''Red neuronal.''' Constituye un paradigma de aprendizaje y procesamiento automático ins`pirado en ña forma en que funciona el [[Sistema nervioso]].

@@ Línea 82: / Línea 82: @@
 == Fuentes ==
-*[http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html Tutorial de la Universidad Politécnica de Madrid](español)
+*[http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html Tutorial de la Universidad Politécnica de Madrid]
-*[http://www.redes-neuronales.com/ Información, código fuente y ejemplos en Java] (español)
+*[http://www.redes-neuronales.com/ Información, código fuente y ejemplos en Java]
 [[Category:Bases_de_datos]]

@@ Línea 1: / Línea 1: @@
 <div align="justify">
-{{Definición |nombre=Red neuronal |imagen=Redes_neuronales.JPG |tamaño= |concepto= Técnica de inteligencia artificial, paradigma de aprendizaje y procesamiento automático.}}'''Red neuronal.''' Constituye un paradigma de aprendizaje y procesamiento automático. En el campo de la inteligencia artificial se refiere habitualmente de forma más sencilla como redes de neuronas o redes neuronales, las redes de neuronas artificiales (denominadas habitualmente como RNA o en inglés como: "ANN". Aunque en inglés se utiliza el acrónimo ANN (de Artificial Neural Networks) para referirse a este campo de la computación en este artículo se utilizará su equivalente castellano RNA.) son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el [[Sistema nervioso]] de los animales. Se trata de un sistema de interconexión de [[Neuronas]] en una [[Red]] que colabora para producir un estímulo de salida.
+{{Definición |nombre=Red neuronal |imagen=Redes_neuronales.JPG |tamaño= |concepto= Técnica de inteligencia artificial, paradigma de aprendizaje y procesamiento automático.}}'''Red neuronal.''' Constituye un paradigma de aprendizaje y procesamiento automático ins`pirado en ña forma en  que funciona el [[Sistema nervioso]].
 == Inicios  ==
@@ Línea 21: / Línea 24: @@
 == Diseño y programación de una RNA ==
 Con un paradigma convencional de programación  en ingeniería del software, el objetivo  del programador es modelar matemáticamente (con distintos grados de  formalismo) el problema en cuestión y posteriormente formular una  solución (programa) mediante un algoritmo  codificado que tenga una serie de propiedades que permitan  resolver dicho problema. En contraposición, la aproximación basada en  las RNA parte de un conjunto de datos de entrada suficientemente  significativo y el objetivo es conseguir que la red aprenda  automáticamente las propiedades deseadas. En este sentido, el diseño de  la red tiene menos que ver con cuestiones como los flujos de datos y la  detección de condiciones, y más que ver con cuestiones tales como la  selección del modelo de red, la de las variables a incorporar y el  preprocesamiento de la información que formará el conjunto de  entrenamiento. Asimismo, el proceso por el que los parámetros de la  red se adecuan a la resolución de cada problema no se denomina  genéricamente programación sino que se suele denominar entrenamiento.
 Por ejemplo en una red que se va a aplicar al diagnóstico de  imágenes médicas; durante la fase de entrenamiento el sistema recibe  imágenes de tejidos que se sabe son cancerígenos y tejidos que se sabe  son sanos, así como las respectivas clasificaciones de dichas imágenes.  Si el entrenamiento es el adecuado, una vez concluido, el sistema podrá  recibir imágenes de tejidos no clasificados y obtener su clasificación sano/no  sano con un buen grado de seguridad. Las variables de entrada  pueden ser desde los puntos individuales de cada imagen hasta un vector  de características de las mismas que se puedan incorporar al sistema  (por ejemplo, procedencia anatómica del tejido de la imagen o la edad  del paciente al que se le extrajo la muestra).

@@ Línea 38: / Línea 38: @@
 *Auto organización: Una RNA crea su propia representación de la información en su interior, descargando al usuario de esto.
 *Tolerancia a fallos: Debido a que una RNA almacena la información de forma redundante, ésta puede seguir respondiendo aceptablemente aún si se daña parcialmente.
-*Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada (ej. si la información de entrada es la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente)
+*Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada (ej. Si la información de entrada es la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente).
 *Tiempo real: La estructura de una RNA es paralela, por lo cuál si esto es implementado con computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real.
 Tipología Modelos Existe una serie de modelos que aparecen en la mayoría de estudios académicos y la bibliografía especializada. <br>
-*[[Perceptrón]] <br>
+*Perceptrón <br>
-*[[Adaline]] [[Perceptrón multicapa|Perceptrón multicapa]]<br>
+*Adaline Perceptrón multicapa|Perceptrón multicapa<br>
-*[[Perceptrón multicapa]] <br>
+*Perceptrón multicapa <br>
-*[[Memorias asociativas]]<br>
+*Memorias asociativas<br>
-*[[Máquina de Bolzman]] <br>
+*Máquina de Bolzman <br>
-*[[Máquina de Cauchy]] <br>
+*Máquina de Cauchy <br>
-*[[Redes de Elman]] [[Redes de Hopfield]] [[Red de contrapropagación|Red de contrapropagación]]<br>
+*Redes de Elman Redes de Hopfield Red de contrapropagación|Red de contrapropagación<br>
-*[[Red de contrapropagación]]<br>
+*Red de contrapropagación<br>
-*[[Redes de neuronas de base radial]]<br>
+*Redes de neuronas de base radial<br>
-*[[Redes de Kohonen o mapas autoorganizados]] <br>
+*Redes de Kohonen o mapas autoorganizados <br>
-*[[Crecimiento dinámico de células]] [[Gas Neuronal Creciente|Gas Neuronal Creciente]]<br>
+*Crecimiento dinámico de células Gas Neuronal Creciente|Gas Neuronal Creciente<br>
-*[[Gas Neuronal Creciente]] <br>
+*Gas Neuronal Creciente <br>
-*[[Redes ART (Adaptative Resonance Theory)]]<br>
+*Redes ART (Adaptative Resonance Theory)<br>
 == Topología <br> ==

@@ Línea 18: / Línea 18: @@
 #Una función de activación, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma función de propagación.
 #Una función de transferencia, que se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son la sigmoide (para obtener valores en el intervalo [0,1]) y la hiperbólica-tangente (para obtener valores en el intervalo [-1,1]). <br>
 == Estructura<br>  ==

@@ Línea 1: / Línea 1: @@
 <div align="justify">
-{{Definición |nombre=Red neuronal |imagen=Redes_neuronales.JPG |tamaño= |concepto= Técnica de inteligencia artificial, paradigma de aprendizaje y procesamiento automático.}}
+{{Definición |nombre=Red neuronal |imagen=Redes_neuronales.JPG |tamaño= |concepto= Técnica de inteligencia artificial, paradigma de aprendizaje y procesamiento automático.}}'''Red neuronal.''' Constituye un paradigma de aprendizaje y procesamiento automático. En el campo de la inteligencia artificial se refiere habitualmente de forma más sencilla como redes de neuronas o redes neuronales, las redes de neuronas artificiales (denominadas habitualmente como RNA o en inglés como: "ANN". Aunque en inglés se utiliza el acrónimo ANN (de Artificial Neural Networks) para referirse a este campo de la computación en este artículo se utilizará su equivalente castellano RNA.) son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el [[Sistema nervioso]] de los animales. Se trata de un sistema de interconexión de [[Neuronas]] en una [[Red]] que colabora para producir un estímulo de salida.
 == Inicios  ==
@@ Línea 13: / Línea 9: @@
 #El modelo dirigido a aplicación. Estos modelos no tienen porque guardar similitud con los sistemas biológicos. Sus arquitecturas están fuertemente ligadas a las necesidades de las aplicaciones para las que son diseñados.<br>
-= <br> Análisis de la red neuronal <br>  =
+== <br> Análisis de la red neuronal <br>  ==
 Una de las misiones en una red neuronal consiste en simular las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de válvulas). El objetivo es conseguir que las máquinas den respuestas similares a las que es capaz de dar el [[Cerebro]] que se caracterizan por su generalización y su robustez. [[Image:250px-Computer.Science.AI.Neuron.jpg|right|Perceptrón con 2 entradas]]
-Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones: <br>
+Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones:
 #Una función de propagación (también conocida como función de excitación), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, se denomina inhibitoria.
@@ Línea 25: / Línea 21: @@
 == Estructura<br>  ==
-La mayoría de los científicos coinciden en que una RNA es muy diferente en términos de estructura de un cerebro animal. Al igual que el cerebro, una RNA se compone de un conjunto masivamente paralelo de unidades de proceso muy simples y es en las conexiones entre estas unidades donde reside la inteligencia de la red. Sin embargo, en términos de escala, un cerebro es muchísimo mayor que cualquier RNA creada hasta la actualidad, y las neuronas artificiales también son más simples que su contrapartida animal. <br>Biológicamente, un cerebro aprende mediante la reorganización de las conexiones sinápticas entre las neuronas que lo componen. De la misma manera, las RNA tienen un gran número de procesadores virtuales interconectados que de forma simplificada simulan la funcionalidad de las neuronas biológicas. En esta simulación, la reorganización de las conexiones sinápticas biológicas se modela mediante un mecanismo de pesos, que son ajustados durante la fase de aprendizaje. En una RNA entrenada, el conjunto de los pesos determina el conocimiento de esa RNA y tiene la propiedad de resolver el problema para el que la RNA ha sido entrenada. <br>Por otra parte, en una RNA, además de los pesos y las conexiones, cada neurona tiene asociada una función matemática denominada función de transferencia. Dicha función genera la señal de salida de la neurona a partir de las señales de entrada. La entrada de la función es la suma de todas las señales de entrada por el peso asociado a la conexión de entrada de la señal. Algunos ejemplos de entradas son la función escalón o Heaviside, la lineal o mixta, la sigmoidal y la función gaussiana, recordando que la funcion de transferencia es la relacion entre la señal de salida y la entrada. <br><br>
+La mayoría de los científicos coinciden en que una RNA es muy diferente en términos de estructura de un cerebro animal. Al igual que el cerebro, una RNA se compone de un conjunto masivamente paralelo de unidades de proceso muy simples y es en las conexiones entre estas unidades donde reside la inteligencia de la red. Sin embargo, en términos de escala, un cerebro es muchísimo mayor que cualquier RNA creada hasta la actualidad, y las neuronas artificiales también son más simples que su contrapartida animal.
-== Ventajas<br>  ==
+Por otra parte, en una RNA, además de los pesos y las conexiones, cada neurona tiene asociada una función matemática denominada función de transferencia. Dicha función genera la señal de salida de la neurona a partir de las señales de entrada. La entrada de la función es la suma de todas las señales de entrada por el peso asociado a la conexión de entrada de la señal. Algunos ejemplos de entradas son la función escalón o Heaviside, la lineal o mixta, la sigmoidal y la función gaussiana, recordando que la funcion de transferencia es la relacion entre la señal de salida y la entrada.
 Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadas en la estructura del sistema nervioso, principalmente el cerebro. <br>
@@ Línea 35: / Línea 35: @@
 *Tolerancia a fallos: Debido a que una RNA almacena la información de forma redundante, ésta puede seguir respondiendo aceptablemente aún si se daña parcialmente.
 *Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada (ej. si la información de entrada es la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente)
-*Tiempo real: La estructura de una RNA es paralela, por lo cuál si esto es implementado con computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real. <br><br>
+*Tiempo real: La estructura de una RNA es paralela, por lo cuál si esto es implementado con computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real.
 Tipología Modelos Existe una serie de modelos que aparecen en la mayoría de estudios académicos y la bibliografía especializada. <br>
@@ Línea 59: / Línea 59: @@
 Ejemplos: perceptrón multicapa. <br>
-• Las redes recurrentes que presentan al menos un ciclo cerrado de activación neuronal. Ejemplos: Elman, Hopfield, máquina de Bolzman
+*Las redes recurrentes que presentan al menos un ciclo cerrado de activación neuronal. Ejemplos: Elman, Hopfield, máquina de Bolzman
 </div>
-Las características de las RNA las hacen bastante apropiadas para aplicaciones en las que no se dispone a priori de un modelo identificable que pueda ser programado, pero se dispone de un conjunto básico de ejemplos de entrada (previamente clasificados o no). Asimismo, son altamente robustas tanto al ruido como a la disfunción de elementos concretos y son fácilmente paralelizables. <br>Esto incluye problemas de clasificación y reconocimiento de patrones de voz, imágenes, señales, etc. Asimismo se han utilizado para encontrar patrones de fraude económico, hacer predicciones en el mercado financiero, hacer predicciones de tiempo atmosférico, etc. <br>También se pueden utilizar cuando no existen modelos matemáticos precisos o algoritmos con complejidad razonable; por ejemplo la red de Kohonen ha sido aplicada con un éxito más que razonable al clásico problema del viajante (un problema para el que no se conoce solución algorítmica de complejidad polinómica). <br>Otro tipo especial de redes neuronales artificiales se ha aplicado en conjunción con los algoritmos genéticos (AG) para crear controladores para robots. La disciplina que trata la evolución de redes neuronales mediante algoritmos genéticos se denomina Robótica Evolutiva. En este tipo de aplicación el genoma del AG lo constituyen los parámetros de la red (topología, algoritmo de aprendizaje, funciones de activación, etc.) y la adecuación de la red viene dada por la adecuación del comportamiento exhibido por el robot controlado (normalmente una simulación de dicho comportamiento) <br>
+== Aplicaciones ==
-= Fuentes =
+Otro tipo especial de redes neuronales artificiales se ha aplicado en conjunción con los algoritmos genéticos (AG) para crear controladores para robots. La disciplina que trata la evolución de redes neuronales mediante algoritmos genéticos se denomina Robótica Evolutiva. En este tipo de aplicación el genoma del AG lo constituyen los parámetros de la red (topología, algoritmo de aprendizaje, funciones de activación, etc.) y la adecuación de la red viene dada por la adecuación del comportamiento exhibido por el robot controlado (normalmente una simulación de dicho comportamiento) <br>
-[http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html Tutorial de la Universidad Politécnica de Madrid ](español) <br>[http://www.redes-neuronales.com/ Información, código fuente y ejemplos en Java] (español)
+== Fuentes ==
 [[Category:Bases_de_datos]]