Debido a su constitución y fundamentos, las redes neuronales artificiales presentan un gran número de características semejantes a las del cerebro. Son capaces de aprender de la experiencia, de generalizar casos anteriores a casos nuevos, de abstraer características esenciales a partir de entradas que representan información irrelevante, por mencionar algunos ejemplos. En esta sección se presentan algunas características básicas que es de gran utilidad conocer de las redes neuronales. Algunas de las características son:
Aprendizaje adaptativo
Es la capacidad de comportarse en función de un entrenamiento con ejemplos ilustrativos. De esta manera, no es necesario realizar un modelo a priori, ni elaborar funciones probabilísticas. “Una red neuronal artificial es adaptativa porque puede modificarse constantemente con el fin de adaptarse a nuevas condiciones de trabajo.”. (Sotolongo & Guzmán, 2001).
Autoorganización
En la etapa de aprendizaje una red neuronal crea su propia organización o representación de la información. La autoorganización es cuando se modifica muchas neuronas al mismo tiempo con el fin de llevar a cabo un objetivo específico. Autoorganización significa generalización (Sotolongo & Guzmán, 2001), que es otra de las características de las redes neuronales; de esta manera la red puede responder de manera apropiada a datos o situaciones a las que no se ha expuesto anteriormente, pero que puede inferir en base a su entrenamiento.
Generalización
A diferencia de la computadora convencional, la cual requiere una entrada precisa para obtener una salida; las redes neuronales pueden recibir variaciones en sus entradas y aún así producir la salida correcta. Esta característica es la capacidad que tiene la red para responder ante una entrada que no ha conocido con anterioridad. Por otra parte, el sistema podrá arrojar una salida en base a una hipótesis si se le presentan datos de entrada incompletos o parciales.
Tolerancia a fallos
A diferencia de la computadora convencional, en la cual la pérdida de un fragmento de información puede inutilizar al sistema; en las redes neuronales no, ya que éstas poseen una alta capacidad de tolerar los fallos. Con esta característica, las redes neuronales artificiales pueden reconocer patrones de información con ruido, distorsión o incompletos, además, pueden seguir trabajando aunque se destruya parte de la red, con cierta degradación por supuesto. Esta característica es posible debido a que las redes neuronales almacenan la información de manera distribuida y con un alto grado de redundancia. (Sotolongo & Guzmán, 2001).
Operación en tiempo real
De todos los métodos existentes, las redes neuronales artificiales son las más adecuadas para el reconocimiento de patrones en tiempo real, ya que trabajan en paralelo y de esta manera actualizan todas sus instancias simultáneamente. Esta característica es posible cuando se implementan redes en hardware diseñado para el procesamiento paralelo.
Fácil inserción en la tecnología existente
Se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitará la integración modular en los sistemas existentes (Sotolongo & Guzmán, 2001). Una red individual puede ser entrenada para realizar una sola y bien definida tarea. Debido a que una red puede ser entrenada y verificada rápidamente, su implementación en hardware puede resultar de bajo coste, lo que facilita la inserción de las mismas dentro de sistemas existentes.
Aprendizaje adaptativo
Es la capacidad de comportarse en función de un entrenamiento con ejemplos ilustrativos. De esta manera, no es necesario realizar un modelo a priori, ni elaborar funciones probabilísticas. “Una red neuronal artificial es adaptativa porque puede modificarse constantemente con el fin de adaptarse a nuevas condiciones de trabajo.”. (Sotolongo & Guzmán, 2001).
Autoorganización
En la etapa de aprendizaje una red neuronal crea su propia organización o representación de la información. La autoorganización es cuando se modifica muchas neuronas al mismo tiempo con el fin de llevar a cabo un objetivo específico. Autoorganización significa generalización (Sotolongo & Guzmán, 2001), que es otra de las características de las redes neuronales; de esta manera la red puede responder de manera apropiada a datos o situaciones a las que no se ha expuesto anteriormente, pero que puede inferir en base a su entrenamiento.
Generalización
A diferencia de la computadora convencional, la cual requiere una entrada precisa para obtener una salida; las redes neuronales pueden recibir variaciones en sus entradas y aún así producir la salida correcta. Esta característica es la capacidad que tiene la red para responder ante una entrada que no ha conocido con anterioridad. Por otra parte, el sistema podrá arrojar una salida en base a una hipótesis si se le presentan datos de entrada incompletos o parciales.
Tolerancia a fallos
A diferencia de la computadora convencional, en la cual la pérdida de un fragmento de información puede inutilizar al sistema; en las redes neuronales no, ya que éstas poseen una alta capacidad de tolerar los fallos. Con esta característica, las redes neuronales artificiales pueden reconocer patrones de información con ruido, distorsión o incompletos, además, pueden seguir trabajando aunque se destruya parte de la red, con cierta degradación por supuesto. Esta característica es posible debido a que las redes neuronales almacenan la información de manera distribuida y con un alto grado de redundancia. (Sotolongo & Guzmán, 2001).
Operación en tiempo real
De todos los métodos existentes, las redes neuronales artificiales son las más adecuadas para el reconocimiento de patrones en tiempo real, ya que trabajan en paralelo y de esta manera actualizan todas sus instancias simultáneamente. Esta característica es posible cuando se implementan redes en hardware diseñado para el procesamiento paralelo.
Fácil inserción en la tecnología existente
Se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitará la integración modular en los sistemas existentes (Sotolongo & Guzmán, 2001). Una red individual puede ser entrenada para realizar una sola y bien definida tarea. Debido a que una red puede ser entrenada y verificada rápidamente, su implementación en hardware puede resultar de bajo coste, lo que facilita la inserción de las mismas dentro de sistemas existentes.
No hay comentarios:
Publicar un comentario