Redes neuronales biológicas y artificiales

     Las neuronas son un tipo de células del sistema nervioso que están especializadas en la recepción de estímulos y conducción del impulso nervioso entre ellas o con otros tipos celulares, es decir tienen la capacidad de comunicarse con precisión, rapidez y a larga distancia con otras células, ya sean nerviosas, musculares o glandulares.

   Una red neuronal es un conjunto de conexiones sinápticas (es una unión intercelular especializada entre neuronas o entre una neurona y una célula efectora casi siempre glandular o muscular, En estos contactos se lleva a cabo la transmisión del impulso nervioso) ordenadas que se produce como resultado de la unión de las neuronas a otras en sus regiones correspondientes.

      Las redes neuronales codifican información con carácter abstracto mediante los potenciales de acción que las conforman. Estos potenciales tienden a ser reproducibles con características similares en cada sinapsis de un momento a otro, debido a la estabilidad de la estructura neural, por ejemplo, en lo que concierne a la reproducibilidad de dos potenciales de acción disparados sucesivamente en una misma sinapsis, ya que ambos potenciales de acción serán, sino idénticos, sí iguales con un error despreciable a determinada escala. Por esta reproducibilidad, y por tener las sinapsis memoria, los potenciales de acción se pueden organizar en el cerebro espacio-temporalmente según patrones, que pueden constituir códigos relativamente permanentes durante un tiempo en el que la estructura en patrones resulte ser beneficiosa para el individuo, por ejemplo, al recordar su nombre de pila a lo largo de su vida.

      La información nerviosa posee carácter abstracto, porque unos códigos dados, transmitidos en una red dada, pueden simbolizar isomórficamente algo, por ejemplo, a un objeto del entorno, como una silla, pero sin coexistencia en un solo ente de ambas sillas: la concreta y la abstracta; ambas efectivas, pero distintas. La indisolubilidad de la coherencia, la complejidad, la estabilidad y la organización espaciotemporal del sistema nervioso hace posible este isomorfismo entre el entorno y la percepción (interpretación) del entorno.

      Una Neurona artificial es un circuito eléctrico que realice la suma ponderada de las diferentes señales que recibe de otras unidades iguales y produzca en la salida un uno o un cero según el resultado de la suma con relación al umbral o nivel de disparo, conforma una buena representación de lo que es una neuronaartificial.

     Una Red neuronal artificial es un modelo computacional con un conjunto de propiedades específicas, como son la habilidad de adaptarse o aprender, generalizar u organizar la información, todo ello basado en un procesamiento eminentemente paralelo ya que 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.

Analogía entre las redes neuronales biológicas y artificiales

      Las neuronas se modelan mediante unidades de proceso. Cada unidad de proceso se compone de una red de conexiones de entrada, una función de red ( de propagación), encargada de computar la entrada total combinada de todas las conexiones, un núcleo central de proceso, encargado de aplicar la función de activación, y la salida, por dónde se transmite el valor de activación a otras unidades.

• Función de propagación o de red: Calcula el valor de base o entrada total a la unidad, generalmente como simple suma ponderada de todas las entradas recibidas, es decir, de las entradas multiplicadas por el peso o valor de las conexiones. Equivale a la combinación de las señales excitatorias e inhibitorias de las neuronas biológicas.        

•  Función de activación: Es quizás la característica principal o definitoria de las neuronas, la que mejor define el comportamiento de la misma. Se usan diferentes tipos de funciones, desde simples funciones simples de umbral a funciones no lineales. Se encarga de calcular el nivel o estado de activación de la neurona en función de la entrada total.

• Conexiones ponderadas: hacen el papel de las conexiones sinápticas, el peso de la conexión equivale a la fuerza o efectividad de la sinápsis. Las existencia de conexiones determina si es posible que una unidad influya sobre otra, el valor de los pesos y el signo de los mismos definen el tipo (excitatoria/inhibitorio) y la intensidad de la influencia.

• Salida: calcula la salida de la neurona en función de la activación de la misma, aunque normalmente no se aplica más que la función identidad, y se toma como salida el valor de activación. El valor de salida cumpliría la función de la tasa de disparo en las neuronas biológicas. De momento consideramos el caso más simple, aunque en el apartado de sistemas neurofuzzy veremos un caso en que se utiliza una función de salida diferente a la identidad.

Redes Neuronales Biológicas	Redes Neuronales Artificiales
Neuronas	Unidades de proceso
Conexiones sinápticas	Conexiones ponderadas
Efectividad de las sinápsis	Peso de las conexiones
Efecto excitatorio o inhibitorio de una conexión	Signo del peso de una conexión
Efecto combinado de las sinápsis	Función de propagación o de red
Activación -> tasa de disparo	Función de activación -> Salida

Integrantes:

Wilby Tahhan CI: 20.185.416

Santiago Toledo CI: 20.336.509

Yalal Besereni CI: 21.442.283