Y os preguntareis que son las redes neuronales artificiales...

Las redes neuronales artificiales (ANN, artificial neural networks) son técnicas sofisticadas de modelado que mimetizan el funcionamiento del sistema nervioso, muy eficaces para resolver problemas de clasificación o regresión complejos. En clasificación, a partir de unos datos de entrada, que en quimiometría suele corresponderse con datos de concentración de determinados compuestos, las ANN calculan la probabilidad de pertenencia de una muestra a una clase (variables de salida). En regresión, se parte de señales instrumentales, generalmente, y se obtiene la concentración de varios compuestos de una mezcla.

Las ANN aprenden la relación entre las variables de entrada y de salida usando un conjunto de datos de entrenamiento. En ocasiones la red puede no solo aprender la estructura gruesa de los datos, sino la fina, llevando a un modelo sobreentrenado, lo que se suele evitar usando un subconjunto de verificación.

Entre las ANN más habituales cabe destacar las de perceptrones multicapa (MLP), que consisten en neuronas ordenadas en capas (entrada, oculta, salida) que tienen conexiones (pesos) unidireccionales desde la entrada hacia la salida. Suelen entrenarse por retro-propagación (BP), utilizando un subconjunto de verificación para ajustar los pesos.

Otro tipo son las redes neuronales probabilísticas (PNN), que consisten en cuatro capas (entrada, patrón, suma, salida). La capa de entrada introduce los valores de las variables de un caso hacia la capa patrón, que contiene una neurona por cada caso de entrenamiento. En cada neurona de la capa patrón se calcula la distancia entre el caso desconocido y el correspondiente caso de entrenamiento. En la capa de suma se calcula la probabilidad que tiene el caso de pertenecer a cada clase y la capa de salida lo clasifica en función de estas probabilidades. Este tipo de redes presenta ciertas ventajas respecto a las BP-MLP-ANN, destacando principalmente la facilidad con la que se establece su estructura y su simplicidad de entrenamiento.

Para saber más:

1. J. Zupan, J. Gasteiger, Neural Networks in Chemistry and Drug Design, VCH, Geinheim, 1999

2. Y. Chtioui, D. Bertrands, M.F. Devaux, D. Barba, Comparison of multilayer perceptron and probabilistic neural Networks in artificial vision. Application to the discrimination of seeds, J. Chemom., 1997, 11, 111.

3. J. M. Jurado, J. A. Ocaña. Fluorometric Determination of Mixtures of Quinolones By Means of Partial Least Squares and Neural Networks. Analytical Sciences. 2007, 23, 337-341