Introducción

Las redes neuronales son modelos analógicos que tienen como objetivo reproducir en lo posible las características y la capacidad de procesamiento de información del conjunto de neuronas presentes en el cerebro de los seres vivos. El concepto de Red Nueronal Artificial está inspirado en las Redes Neuronales Biológicas. Una Red Neuronal Biológica es un dispositivo no lineal altamente paralelo, caracterizado por su robustez, tolerancia a fallos, capacidad de adaptación y aprendizaje, por último la capacidad de procesar información defectuosa.

Sus principales características son las siguientes:
-Aprendizaje mediante adaptación de sus pesos (pares de neuronas) sinápticos a los cambios en el entorno.
-Manejo de imprecisión, ruido e información probabilística.
-Generalización a partir de ejemplos.
Las Redes Neuronales Artificiales intentan imitar algunas, o todas, de estas características. Este paradigma de programación difiere de las secuencias de instrucciones en donde la información se encuentra almacenada en las conexiones sinápticas. Cada neurona es un procesador elemental con operaciones muy primitivas como la suma ponderada de sus pesos de entrada y la amplificación o umbralización de esta suma.
Una Red Neuronal viene caracterizada por su topología, por la intensidad de la conexión entre sus pares de neuronas (pesos), por las propiedades de los nodos y por las reglas de actualización de pesos. Las reglas de actualización, también llamadas de aprendizaje, controlan los pesos y/o estados de los elementos de procesados (neuronas).

Los principales aspectos de este modelo de computación distribuida son los siguientes:
-Un conjunto de unidades de procesamiento.
-Un estado de activación para cada unidad, que es equivalente a la salida de la unidad.
-Conexiones entre unidades, generalmente definida por un peso, que determina el efecto de la unidad j sobre la unidad k.
-Una regla de propagación que determina la entrada de la unidad a partir de sus entradas externas.
-Una función de activación que determina el estado de activación en función de la entrada de la unidad (en algunos casos la función de activación tiene en cuenta la activación actual de la unidad).
-Una entrada externa (o offset) para cada unidad.
-Un método para modificar los valores de los pesos (regla de aprendizaje).
-Un entorno de trabajo en el que el sistema opere, compuesto por señales de entrada y, si es necesario, señales de error.

Normalmente, la dinámica de actuación es definir una función objetivo que representa el estado completo de la red y localizar el conjunto de mínimos de esa función que se corresponden con los diferentes estados estables de la red.