En la actualidad, debido a sus excelentes capacidades de predicción, el uso de redes neuronales artificiales (ANNs) en software ha aumentado significativamente. Uno de los aspectos más importantes de las ANNs es la robustez. La mayoría de los estudios existentes sobre robustez se centran en ataques adversarios y esquemas de redundancia completa en las ANNs. Tales métodos de redundancia para la robustez no son fácilmente aplicables en los sistemas integrados modernos. Este trabajo presenta un estudio, basado en simulaciones, sobre la robustez de las ANNs utilizadas con fines de predicción basados en alteraciones de peso. Diseñamos un método para aumentar la robustez de las ANNs directamente a partir de las características de la ANN. Al utilizar este método, solo se replican las neuronas/conexiones más importantes, manteniendo los costos adicionales de hardware al mínimo. Para fines de implementación y evaluación, se utilizó el caso de redes en chip (NoC), que es la próxima generación de sistemas en chip, como estudio de caso. El estudio/método propuesto fue validado utilizando simulaciones y puede ser utilizado para redes y hardware más grandes y de diferentes tipos debido a su naturaleza escalable. Los resultados de las simulaciones obtenidos utilizando diferentes tráficos de la suite de referencia PARSEC (Princeton Application Repository for Shared-Memory Computers) muestran que se puede lograr un alto nivel de robustez con requisitos de hardware mínimos en comparación con otros trabajos.