Las redes de neuronas artificiales son un paradigma de aprendizaje y procesamiento automático inspirado en el funcionamiento del sistema nervioso central de los animales. Han tenido una gran evolución desde que en 1943 McCulloch y Walter Pitts introdujeran el concepto de neurona artificial, gracias en gran medida a modelos y algoritmos más complejos publicados con posterioridad como el modelo de Hopfield y el algoritmo Backpropagation.

Hoy en día los sistemas neurocomputacionales se emplean en toda una variedad de aplicaciones en sectores tan importantes como el financiero, medico, energético, industrial, de la robótica o el científico. En la mayoría de estos campos la utilización de algoritmos neurocomputacionales se han ido extendiendo y ampliando en su uso, y en todos ellos van apareciendo nuevas aplicaciones donde la utilización de la programación tradicional sobre ordenadores no puede dar una solución de manera eficiente a un problema dado, ya sea por el elevado tiempo de cómputo en problemas complejos o por su consumo y dimensiones en sistemas empotrados.

(...)

A pesar del gran avance tecnológico producido en los últimos años en el campo de la microelectrónica, que permite disponer actualmente de microcontroladores con una capacidad de cómputo y memoria muy elevados a precios asequibles, estos recursos siguen siendo una importante limitación para la implementación de algoritmos de aprendizaje sofisticados sobre este tipo de dispositivos. Por ello es necesario diseñar implementaciones de modelos neurocomputacionales eficientes para desarrollar redes de sensores inteligentes.

Por lo tanto esta tesis doctoral tiene como objetivo avanzar en el conocimiento científico y tecnológico necesario para el diseño y desarrollo de modelos neurocomputacionales en dispositivos hardware específicos (microcontroladores y FPGAs), con el fin de permitir su utilización en aplicaciones de sistemas en tiempo real y redes de sensores. Para ello se investigan y desarrollan estrategias de diseño para este tipo de dispositivos que maximicen la eficiencia en la utilización de recursos.