pág. 1004
generadores o dinamos y porque representaron el primer procedimiento para producir, este tipo de
máquina tiene una gran importancia histórica.
Por otro lado, los motores de corriente continua son uno de los dispositivos más versátiles del mercado.
Se ha convertido en una de las mejores opciones para aplicaciones de control y automatización de
procesos debido a su fácil control de posición, par y velocidad. Sin embargo, con la aparición de la
electrónica, su utilización ha disminuido significativamente, ya que los motores de corriente alternan
asíncronos pueden ser controlados de manera similar y a precios más económicos para los consumidores
comunes de la industria. A pesar de esto, muchas aplicaciones de potencia de trenes o máquinas de
precisión, micromotores, etc. todavía utilizan motores de corriente continua.
De todos los métodos existentes, las redes neuronales artificiales son las más adecuadas para el
reconocimiento de patrones en tiempo real porque funcionan en paralelo actualizando todas sus
instancias al mismo tiempo. Es importante tener en cuenta que esta característica solo se puede utilizar
en redes que están equipadas con hardware especialmente diseñado para el procesamiento paralelo.
Los principios de las redes neuronales permiten resolver problemas difíciles, de los cuales se mencionan
los cinco más importantes (Sastry, Santharam y Unnikrishnan, 1994). Estos se enumeran a
continuación: Aprendizaje que se adapta: Las redes neuronales pueden actuar como resultado de un
entrenamiento, lo que es quizás su característica más importante. De esta manera, no se requiere la
creación de un modelo previo ni la creación de funciones probabilísticas. Debido a su capacidad para
adaptarse constantemente a los nuevos entornos de trabajo, una red neuronal artificial es adaptativa.
Autoorganización: mientras que el aprendizaje es un proceso donde se modifica la información interna
de una red neuronal artificial, la autoorganización implica modificar toda la red para lograr un objetivo
específico. La autoorganización significa generalización, por lo que una red puede responder a datos o
situaciones que no ha visto antes pero que puede inferir a partir de su entrenamiento. Cuando la
información de entrada es ambigua o incompleta, esta característica es especialmente útil. Desde
McCulloch-Pitts (1943), se ha realizado una gran cantidad de investigación sobre modelos matemáticos
de redes neuronales. Hopfield, Hinton, Rumelhart, Sejnowski y otros han demostrado recientemente
que el uso de estos modelos para aclarar el mecanismo de procesamiento de la información humana es
posible. En particular, el algoritmo de retropropagación (también conocido como regla delta