1. Redes neuronalesSon un paradigma de aprendizaje y procesamientoautomtico inspirado en la forma en que funciona el sistemanervioso de los animales. Se trata de un sistema deinterconexin de neuronas que colaboran entre s para producirun estmulo de salida. 2. Los primeros modelos de redes neuronales datanHistoria de 1943 por los neurlogos McCulloch y Pitts. Aos ms tarde, en 1949, Donald Hebb desarroll sus ideas sobre el aprendizaje neuronal, quedando reflejado en la "regla de Hebb". En 1958, Rosemblatt desarroll el perceptrn simple, y en 1960, Widrow y Hoff desarrollaron el ADALINE, que fue la primera aplicacin industrial real.En los aos siguientes, se redujo la investigacin, debido ala falta de modelos de aprendizaje y el estudio de Minskyy Papert sobre las limitaciones del perceptrn. Sinembargo, en los aos 80, volvieron a resurgir las RNAgracias al desarrollo de la red de Hopfield, y en especial, alalgoritmo de aprendizaje de retropropagacin ideado porRumelhart y McLellan en 1986 que fue aplicado en eldesarrollo de los perceptrones multicapa. 3. Estructura de una Red Neuronal ArtificialLas redes neuronales artificiales estn formadas por una gran cantidad deneuronas, estas no suelen denominarse neuronas artificiales sino nodos o unidadesde salida. Un nodo o neurona cuenta con una cantidad variable de entradas queprovienen del exterior (X1, X2, ......, Xm). A su vez dispone de una sola salida (Xj) quetransmitir la informacin al exterior o hacia otras neuronas. Cada Xj o seal de salidatiene asociada una magnitud llamada peso este se calcular en funcin de lasentradas, por lo cual cada una de ellas es afectada por un determinado peso(Wjo...Wjq+m) (13). Los pesos corresponden a la intensidad de los enlaces sinpticosentre neuronas y varan libremente en funcin del tiempo y en cada una de lasneuronas que forman parte de la red. (Fig. 1). 4. Aplicaciones de las Redes NeuronalesLas redes neuronales son una tecnologa computacional emergente que puedeutilizarse en un gran nmero y variedad de aplicaciones, tanto como comercialescomo militares.Hay muchos tipos diferentes de redes neuronales, cada uno de los cuales tiene unaplicacin particular ms apropiada. Separndolas segn las distintas disciplinasalgunos ejemplos de sus aplicaciones son: 5. Biologa:Aprender ms acerca del cerebro y otros sistemas.Obtencin de modelos de la retina.EmpresaReconocimiento de caracteres escritos.Identificacin de candidatos para posiciones especficas.Optimizacin de plazas y horarios en lneas de vuelo.Explotacin de bases de datos.Evaluacin de probabilidad de formaciones geolgicas ypetrolferas.Sntesis de voz desde texto.Medio AmbienteAnalizar tendencias y patrones.Previsin del tiempo. 6. FinanzasPrevisin de la evolucin de los precios.Valoracin del riesgo de los crditos.Identificacin de falsificaciones.Interpretacin de firmas.ManufacturacinRobots automatizados y sistemas de control (visinartificial y sensores de presin, temperatura, gas, etc.)Control de produccin en lneas de proceso.Inspeccin de calidad.Filtrado de seales. 7. MedicinaAnalizadores del habla para la ayuda de audicin desordos profundos.Diagnstico y tratamiento a partir de sntomas y/ode datos analticos (encefalograma, etc.).Monitorizacin en ciruga.Prediccin de reacciones adversas a losmedicamentos.Lectoras de Rayos X.Entendimiento de causa de ataques epilpticos.MilitaresClasificacin de las seales de radar .Creacin de armas inteligentes.Optimizacin del uso de recursos escasos. 8. VentajasLas redes neuronales artificiales (RNA) tienen muchas ventajas debido a que estn basadas en laestructura del sistema nervioso, principalmente el cerebro.Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa deaprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cul es lasalida (respuesta) esperada.Auto organizacin: Una RNA crea su propia representacin de la informacin en su interior, descargandoal usuario de esto.Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma redundante, sta puedeseguir respondiendo de manera aceptable aun si se daa parcialmente.Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin de entrada, como sealescon ruido u otros cambios en la entrada (por ejemplo si la informacin de entrada es la imagen de unobjeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objetocambia ligeramente).Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoraso en dispositivos electrnicos especiales, se pueden obtener respuestas en tiempo real.