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