Palabras clave
Programming
Reprogramming
Training Red neuronal
Programación
Reprogramación
Entrenamiento
Cómo citar
Resumen
Este estudio se desarrolló con base en una revisión de 20 artículos científicos y documentos de apoyo afines a las redes neuronales artificiales (RNA) en el modelamiento ambiental, donde se determinó que las RNA utilizadas en los estudios de investigación presentaban potencialidades y cumplían con el objetivo para el cual fueron diseñadas. Sin embargo, ninguna era lo suficientemente óptima como para desaprender y enfrentarse a objetivos similares bajo escenarios diferentes. Esta falencia también se presenta en la red neuronal biológica, donde el problema podría radicar en la programación, ya que muchas personas, cuando aprenden algo y lo dan por hecho, les queda muy difícil cambiar lo que ya aprendieron, como es el caso de los movimientos físicos o su proceder psicológico. Después de analizar esta esta situación se procedió a realizar una reflexión, bajo un nuevo enfoque, analizando experiencias propias y experimentos aplicados para poder entender
El fenómeno y generar un punto de partida básico en la programación neuronal. Teniendo en cuenta que si se logra reprogramar la red neuronal de una persona, para que pueda desarrollar varias funciones físicas y mentales sin dar todo por hecho, entonces una RNA también podrá adquirir esta cualidad. En conclusión, se determina que la red neuronal biológica si puede ser reprogramada, y que por lo tanto se puede realizar un protocolo para que una RNA pueda adquirir esta habilidad. Por último se procede a valorar los artículos de mayor impacto, se identifica el problema, la manera que se resuelve, el resultado que se obtuvo y se finaliza con la redacción de un análisis critico de cada uno, para destacar su importancia y aplicabilidad.
Citas
Acciani, Giuseppe et al, 2003. A feature
Acosta-Cervantes et al. Estudio de validación de un método para seleccionar técnicas de pronóstico de series de tiempo mediante redes neuronales artificiales. Ingeniería, Investigación y Tecnología. Volume 14, Issue 1, January–March 2013, Pages 53–63.
A.S. Luna et.al. Prediction of ozone concentration in tropospheric levels using artificial neural networks and support vector machine at Rio de Janeiro, Brazil. Atmospheric Environment. Volume 98, December 2014, Pages 98–10.
Bonfiglio, Andrea. 2011. A neural network for evaluating environmental impact of decoupling in rural systems. Computers, Environment and Urban Systems, Volume 35, Issue 1, Pages 65-76.
B. Widrow, M.A. Lehr. 30 years of adaptive neural networks: perceptron, Madaline, and backpropagation. Proceeding of the IEEE, 78 (1990), pp. 1415–1442.
Cavanaugh M.K., Buchheit R.G. Y Birbilis N. 2010. Modeling the environmental dependence of pit growth using neural network approaches. Corrosion Science, Volume 52, Issue 9, Pages 3070-3077.
C.M. Bishop. Neural Networks for Pattern Recognition. Oxford University Press, Cambridge, UK (2008).
E. Jiménez Macías et al. Emisión Acústica y Redes Neuronales para Modelado y Caracterización del Proceso de Soldadura por Fricción Agitación. RIAI, Volume 10, Issue 4, October–December 2013, Pages 434–440.
F. Cook, Deborah, Zobel W., Christopher, Leigh Wolfe, Mary. 2006. Environmental statistical process control using an augmented neural network classification approach Original Research Article. European Journal of Operational Research, Volume 174, Issue 3, Pages 1631-1642.
Freeman, J.A.; Skapura, DM. Redes Neuronales. Algoritmos, aplicaciones y técnicas de propagacion. Mexico: Addison-Wesley. 1993; 306 p.
J.M. Ortiz-Rodriguez et.al. A neutron spectrum unfolding computer code based on artificial neural networks. Radiation Physics and Chemistry. Volume 95, February 2014, Pages 428–431.
L.A. Dobrzański et.al. Use of Neural Networks and Artificial Intelligence Tools for Modeling, Characterization, and Forecasting in Material Engineering. Comprehensive Materials Processing. Volumen 2, 2014, Pages 161–198.
Lein, James K. 2009. Implementing remote sensing strategies to support environmental compliance assessment: A neural network application. Environmental Science & Policy, Volume 12, Issue 7, Pages 948-958.
Liu, Meiling. 2011. Integrating spectral indices with environmental parameters for estimating heavy metal concentrations in rice using a dynamic fuzzy neural-network model. Computers & Geosciences, Volume 37, Issue 10, Pages 1642-1652.
L. A. Nagasaki Costa et.al. Application of artificial neural networks in a history matching process. Journal of Petroleum Science and Engineering. Volume 123, November 2014, Pages 30–45
Negarestani A, et al. 2002. Layered Neural Networks Based Analysis of Radon Concentration and environmental parameters in earthquake prediction. Journal of Environmental Radioactivity, Volume 62, Issue 3, Pages 225-233.
Troncone N. Introducción a las Redes UNEXPO Vicerrectorado Puerto Ordaz. Puerto Ordaz, Venezuela. Diciembre, 2002. pp 10-50.
R. Rojas. Neural Networks - A Systematic Introduction. Springer-Verlag, Berlin (1996) R.A. Cottis, Q. Li, G. Owen, S.J. Gartland, I.A. Helliwell, M. Turega. Mater. Des., 20 (1999), p. 169.
Ruiz Alberto, Basualdo Marta. Redes Neuronales, Conceptos Básicos y Aplicaciones. Universidad Tecnológica Nacional. 2001; 55 p.
R. Mendez Ricardo et.al. Use of Artificial Neural Networks for Prediction of Convective Heat Transfer in Evaporative Units. Volume 15, Issue 1, January–March 2014, Pages 93–101.
T. Rodriguez Garcia et.al. The Artificial Neural Networks to Obtain Port Planning Parameters. Procedia – Social and Behavioral Sciences. Volume 162, 19 December 2014, Pages 168–177.
S. Tiryaki et.al. Using artificial neural networks for modeling surface roughness of wood in machining process. Construction and Building Materials. Volume 66, 15 September 2014, Pages 329–335.