Resumen:
Las Redes Neuronales Artificiales (RNA), presentan características de procesamiento de
información y cálculo que les otorgan ventajas sobre otros sistemas. En líneas generales, puede decirse
que las RNA constituyen sistemas de computación paralelos, distribuidos y adaptativos. Una de las
características distintivas de las RNA es su capacidad para aprender de ejemplos, los cuales pueden
provenir de modelos y datos históricos disponibles de un problema determinado.
En este trabajo, se examinan las principales configuraciones topológicas de las redes MLP,
Adaline, RBF y Elman, empleadas para aproximar funciones y analizar y predecir valores futuros.
Asimismo, se muestran algunas limitaciones que presentan estos modelos neuronales tradicionales y
cómo algunas de ellas pueden ser resueltas mediante modelos y algoritmos combinados, que requieren
mayor elaboración, pero que mejoran el rendimiento global de la red.
