la encontramos en metodologías propias de otros campos científicos, como puede ser la inteligencia artificial.
En particular, las redes neuronales artificiales (RN) son capaces de desarrollar un modelo de predicción que incorpora automáticamente relaciones entre las variables analizadas sin necesidad de incorporarlas explícitamente en el modelo. El objetivo de esta revisión es proporcionar un acercamiento a la metodología de las RN en el contexto de la degradación de EPS. Empezaremos presentando las ideas generales acerca de las RN y comentando los procedimientos básicos de desarrollo de una red adecuada para el cálculo de probabilidad de un resultado en función de un conjunto de variables predictoras. Mostraremos un esquema práctico para realizar una aplicación basada en esta técnica, y mediante un ejemplo podremos apreciar algunos de los detalles críticos del proceso de entrenamiento y las ventajas e inconvenientes frente a métodos estadísticos alternativos.
Una Red Neuronal Artificial (Artificial Neural Network, ANN) es un modelo matemático que trata de emular a los sistemas neuronales biológicos, cuyo objetivo es reproducir sus mecanismos de aprendizaje. Esta conformada por una gran número de neuronas artificiales interconectadas en base a un modulo de asigna una respuesta a cada componente, donde lo que se pretende emular no es la estructura biológica si no en su funcionamiento.
Haykin en 1999 propone que una ANN es un procesador distribuido y con estructura paralela que tiene tendencia natural a almacenar conocimiento experimental haciéndolo apto para su uso \cite{alejo2010analisis}.
El modelo de neurona artificial más conocido es el de Mcculloch-Pitts el cual se muestra en la Fig. \ref{fig005} \cite{alejo2010analisis}.