Las RedesNeuronales pueden aplicarse para resolver problemas en diversas disciplinas.

Algunas de sus aplicaciones son:

En finanzas: seutilizan para prever la evolucin de los precios, valorar el riesgo de loscrditos , identificar falsificaciones, interpretar firmas, entre otras. En Medicina: enanalizadores de habla para la ayuda de audicin de sordos profundos y en eldiagnstico y tratamiento a partir de sntomas y/o de datos analticos. Monitorizacin enciruga Usos militares: paraclasificar las seales de radar,creacin de armas inteligentes y optimizacin del uso de recursos escasos. En procesos deManufacturacin: en control de produccin de lneas de proceso, filtrado de seales einspeccin de calidad, entre otras

http://fluidos.eia.edu.co/hidraulica/articuloses/flujoentuberias/neuronal/neuronal_archivos/p age0007.htm

La teora de las RNA ha brindado una alternativa a la computacin clsica, para aquellos problemas, en los cuales los mtodos tradicionales no han entregado resultados muy convincentes, o poco convenientes. Las aplicaciones ms exitosas de las RNA son: 1. 2. 3. 4. 5. 6. 7. Procesamiento de imgenes y de voz Reconocimiento de patrones Planeamiento Interfaces adaptivas para sistemas Hombre/mquina Prediccin Control y optimizacin Filtrado de seales

Los sistemas de computo tradicional procesan la informacin en forma secuencial; un computador serial consiste por lo general de un solo procesador que puede manipular instrucciones y datos que se localizan en la memoria, el procesador lee, y ejecuta una a una las instrucciones en la memoria; este sistema serial es secuencial, todo sucede en una sola secuencia determinstica de operaciones. Las RNA no ejecutan instrucciones, responden en paralelo a las entradas que se les presenta. El resultado no se almacena en una posicin de memoria, este es el estado de la red para el cual se logra equilibrio.
Las RNA son una teora que an esta en proceso de desarrollo, su verdadera potencialidad no se ha alcanzado todava; aunque los investigadores han desarrollado potentes algoritmos de aprendizaje de gran valor prctico, las representaciones y procedimientos de que se sirve el cerebro, son an desconocidas. Tarde o temprano los estudios computacionales del aprendizaje con RNA acabarn por converger a los mtodos descubiertos por evolucin, cuando eso suceda, muchos datos empricos concernientes al cerebro comenzarn sbitamente a adquirir sentido y se tornarn factibles muchas aplicaciones desconocidas de las redes neuronales.

Como hemos visto en la actualidad la ciencia ha logrado desplazar en gran parte al ser humano, pero en este sentido tambien se puede analizar el dao que causa a la humanidad si esta no pone limites, ya que puede verse manipulado por esta nueva tecnologia. la inteligencia artificial y en especifico el desarrollo de redes neuronales pueden ayudarnos a mejorar sustancialmente la vida de las personas, generando un desarrollo tecnologico que mejore los aspectos tecnologicos, economicos y sociales de la humanidad.

Aplicaciones de las redes neuronales artificiales

Introduccin Procesamiento de lenguaje natural Conversin texto escrito -> lenguaje hablado Aprendizaje de gramticas Compresin de imgenes Reconocimiento de caractres Reconocimiento de escritura manual Reconociento de patrones en imgenes Clasificacin de objetivos Visin artificial en robots industriales Proceso de seales Prediccin Modelado de sistemas Filtro de ruido Problemas de combinatoria Otras aplicaciones Modelado y prediccin de indicadores econmicos Servocontrol Sntesis funcional

Introduccin
Desde el punto de vista de las aplicaciones prcticas de las RNA, su principal ventaja frente a otras tcnicas reside en el procesado paralelo, adaptativo y no lineal. Se han

desarrollado aplicaciones de RNA para fines tan variados como visin artificial, procesado de seales e imgenes, reconocimiento del habla y de caracteres, sistemas expertos, anlisis de imgenes mdicas, control remoto, control de robots, inspeccin industrial y exploracin cientfica. Podramos clasificar todas estas aplicaciones en varios dominios o tipos de aplicaciones, indicando adems el tipo de redes ms utilizados para cada tarea:

Asociacin y clasificacin: heteroasociadores y redes competitivas Regeneracin / reconstruccin de patrones: redes de satisfaccin de demanda Regresin y generalizacin: heteroasociadores Optimizacin: heteroasociadores

La mayora de las aplicaciones comentadas aqu se han desarrollado mediante asociadores de patrones y algoritmo de retropropagacin. Otras, como el problema del viajante de comercio, el control adaptativo y la compresin de imgenes, mediante redes de satisfaccin de demanda (redes de Hopfield), y en algunas tareas de clasificacin se han usado redes competitivas.

Procesamiento de lenguaje natural

Conversin de texto escrito a lenguaje hablado NETtalk (Sejnowski T. & Rosemberg.) toma como entradas textos escritos y como salidas deseadas los cdigos elegidos para representar los fonemas correspondientes. Mediante la ayuda de un sintetizador (DECtalk) se transforman los cdigos en fonemas. Durante el proceso de aprendizaje se observ como iba mejorando su habilidad desde un nivel de beb hasta el nivel de un nio de 6 aos, aprendiendo a hacer distinciones difciles como pronunciar una c suave o fuerte segn el contexto. Si bien esto se haba conseguido antes, la novedad ms importante reside en que mediante la red neuronal no es necesario definir y programar un montn de complejas reglas, pues la red extrae automticamente el conocimiento necesario. Aprendizaje de gramticas (Rumelhart,D. & McClelland, J.) estudiaron la forma en que construimos las reglas sobre el lenguaje, y trataron de ensear a una red neuronal el pasado de los verbos ingleses. El sistema fue mejorando y al final era capaz de generalizar y conjugar verbos desconocidos. Compresin de imgenes (Cottrell, G.W. y otros) han conseguido codificar imgenes con una relacin de compresin de hasta 8:1 sin tener que idear ninguna regla y alta fidelidad en la reconstruccin.

Reconocimiento de caracteres
Reconocimiento de escritura manual

Nestor, Inc => leen lo escrito mediante una tarjeta digitalizadora. Tras aprender, son capaces de reconocer escrituras que nunca haban visto antes. Se ha empleado por ejemplo para reconocer kanji (escritura japonesa), eliminando la gran dificultad que presenta este lenguaje para introducirlo en el computador. El Neocognitrn (Kunihiko Fukishima): simula la forma en que la informacin visual avanza en la corteza cerebral. Consigue un reconocimiento muy avanzado de patrones con gran capacidad de abstraccin y generalizacin, que lo hacen capaz de reconocer patrones con distinta orientacin y altos niveles de distorsin.

Reconocimiento de patrones en imgenes

Clasificacin de objetivos: En este campo se han desarrollado numerosas aplicaciones como la clasificacin de imgenes de sonar y radar, la deteccin de clulas cancerosas, lesiones neurolgicas y cardacas, prospecciones geolgicas, etc.. Son muy tiles para procesar imgenes de las que no se sabe bien cuales son las caractersticas esenciales o diferenciales, ya que las redes no necesitan disponer de reglas explcitas previas para realizar la clasificacin, sino que extraen el conocimiento necesario. Visin artificial en robots industriales Pe. para inspeccin de etiquetas, clasificacin de componentes, etc. Supera a otros sistemas de visin , adems minimiza los requerimientos de operadores y facilita el mantenimiento.

Proceso de seales
Prediccin Se han obtenido mejores resultados a la hora de predecir series "caticas" usando retropropagacin (Lapedes & Farber) que mediante mtodos lineales y polinomiales. Pe., la serie x(t+1)=4*x(t)*(1-x(t)) El entrenamiento de la red consiste en usar como entradas varias muestras equi-espaciadas de la serie: x(t), x(t-d), x(t-2d)x(t-nd) y como salida la salida cierto tiempo despus x(t +p) Modelado de sistemas Permite modelar funciones de transferencia (Lapedes & Farmer). Pe., la funcin x(t) (dx/dt)2 Podemos usar como entradas x(t) y x(t-0.001) y como salida dx/dt. Entrenamos a la red con muestras de una seal de banda limitada (pe una suma de 20 sinusoides), y despus se puede usar para formas de onda arbitrarias. Filtro de ruido

Las redes neuronales artificiales son mejores preservando la estructura profunda y el detalle que los filtros tradicionales cuando eliminan el ruido. La primera aplicacin profesional de las redes neuronales consisti en un filtro para eliminar ruido en las lneas telefnicas (Widrow, 1959)

Problemas de combinatoria
Las redes neuronales artificiales estn ofreciendo ciertas esperanzas en el rea de problemas algortmicamente tan complejos como los NP-completos; pe el problema del viajante de comercio (Hopfield, J. & Tank, D.)

Otras aplicaciones
Modelado y prediccin de indicadores econmicos Se obtienen mejores resultados que con cualquier otro mtodo conocido (como los programas de media mvil). Se ha aplicado por ejemplo a la prediccin de tasas de inters, dficits comerciales, precios de stock, etc. Servocontrol Compensacin adaptativa de variaciones fsicas en servomecanismos complicados como el control de ngulos y posiciones de los brazos de un robot. Sntesis funcional Gracias a la naturaleza interpolativa de las redes neuronales son aptas para la sntesis de funciones multidimensionales a partir de unos pocos ejemplos de entrenamiento. Por ejemplo, para estimar el alcance de un can en funcin de la inclinacin del can, la velocidad del viento y la cantidad de explosivo. http://magomar.webs.upv.es/rna/tutorial/RNA_aplicaciones.html
http://cvb.ehu.es/open_course_ware/castellano/tecnicas/redes_neuro/contenidos/pdf/librodel-curso.pdf ftp://decsai.ugr.es/pub/usuarios/castro/Material-Redes-Neuronales/Libros/matichredesneuronales.pdf http://www.zonanosaturada.com/publics/V6/p295-304.pdf http://www.dynamics.unam.edu/DinamicaNoLineal/Articulos/MineriaDatos/Articulo03.pdf disi.unal.edu.co/~lctorress/RedNeu/LiRna001.pdf http://prof.usb.ve/mvillasa/redes/Introduccion-vl.pdf http://exa.unne.edu.ar/depar/areas/informatica/SistemasOperativos/SimulacionRNA.PDF http://www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf