HISTORIA. REDE NEURONALE BIOLOGICA. REDE NEURONAL ARTIFICIAL. REDES NEURONALES ESTATICAS VENTAJAS DE LAS REDES NEURONALES DESVENTAJAS DE LAS REDES NEURONALES CLASIFICACION DE LAS REDES NEURONALES GENERALIZACION EN REDES NEURONALES FIN HISTORIA Desde el principio de la humanidad se soñó con el desarrollo de máquinas que puedan imitar la capacidad de aprendizaje del hombre. Actualmente es un desafío en el que pone todas sus miradas una parte de la comunidad científica. Estos esfuerzos le han servido al hombre para reducir el trabajo en aquellas operaciones en las que la fuerza juega un papel primordial. En la actualidad existen diversas maneras de realizar procesos similares a los inteligentes humanos, a los que podemos denominar Inteligencia Artificial , ya que esta es un intento por describir aspectos de la inteligencia humana que pueden ser simulados mediante máquinas. Las redes neuronales son otra forma de emular otra de las característica propias de los humanos. HISTORIA Primer modelo simple de neurona en 1943 por investigadores Warren McCulloch y Walter pitts. El Perceptrón fue propuesto por Rosenblatt en 1959. RED TIPO PERCEPTRON A finales de los sesenta Minsky y Papert, demostraron que los perceptrones eran incapaces de hacer tareas simples, tales como sintetizar la función lógica XOR. En se publican artículos de redes neuronales y memorias asociativas RED NEURONAL BIOLOGICA El cerebro humano contiene aproximadamente 12 billones de células nerviosas o neuronas. Cada neurona tiene de 5600 a 60000 conexiones dendríticas provenientes de otras neuronas mientras que en el sistema nervioso hay 1014 sinapsis; teniendo cada neurona más de 1000 a la entrada y a la salida. Es importante destacar que aunque el tiempo de conmutación de la neurona es casi un millón de veces menor que las computadoras actuales, ellas tienen una conectividad miles de veces superior que las actuales supercomputadoras. La principal aplicación de estas redes, es el desarrollo de elementos sintéticos para verificar las hipótesis que conciernen a los sistemas biológicos. Las neuronas y las conexiones entre ella, llamadas sinapsis, son la clave para el procesado de la información. GRAFICA RED NEURONAL ARTIFICIAL Las Redes Neuronales Artificiales (ANN) son sistemas paralelos para el procesamiento de la información, inspirados en el modo en el que las redes de neuronas biológicas del cerebro procesan esta. Es decir que se han intentado plasmar los aspectos esenciales de una neurona real a la hora de diseñar una neurona “artificial”. GRAFICA GRAFICA DE LA RED NEURONAL BIOLOGICA La mayoría de neuronas tienen una estructura parecida a la de un árbol llamadas dendritas que reciben las señales de entrada que vienen de otras neuronas a través de las sinapsis. Una neurona consta de tres partes: 1. El cuerpo de la neurona 2. Ramas de extensión (dendritas) para recibir las entradas 3. Un axón que lleva la salida de una neurona a las dendritas de otras neuronas GRAFICA DE LA RED NEURONAL ARTIFICIAL Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas provienen de la misma fuente (que puede ser otra capa de neuronas) y cuyas salidas se dirigen al mismo destino (que puede ser otra capa de neuronas). tres tipos de unidades: Las unidades de entrada reciben señales desde el entorno (son señales que proceden de sensores o de otros sectores del sistema). Las unidades de salida envían la señal fuera del sistema (son señales que pueden controlar directamente potencias u otros sistemas). Las neuronas de las capas ocultas pueden estar interconectadas de distinta manera, lo que denomina, lo que determina con su número, las distintas tipologías de redes neuronales. Las unidades ocultas son aquellas cuyas entradas y salidas se encuentran dentro del sistema (son señales que no tienen contacto con el exterior). La tecnología neuronal trata de reproducir el proceso de solución de problemas del cerebro. Una red neuronal es aquella que se basa en ejemplos de problemas resueltos, para construir un sistema que toma decisiones y realiza clasificaciones. Los problemas adecuados para la solución neuronal son aquellos que no tienen solución computacional precisa o requieren algoritmos muy extensos, por ejemplo cuando tienen que reconocer imágenes. En un ejemplo se utiliza una prueba no destructiva como primer criterio (X) que lo que hace es diferenciar las cosas bunas de las malas separándolas, y como segundo criterio una localización (Y). Para resolver el problema, se necesita construir una base de datos, con las coordenadas X y Y, que no arroja unos problemas como: Que precisión deben tener esas coordenadas? Como manejar y mantener la base de datos? Que sucede si en lugar de dos criterios de prueba son diez? Como analizar las relaciones entre diez variables? los sistemas basados en redes neuronales, aprenden relaciones complejas entre muchas variables VENTAJAS DE LAS REDES NEURONALES Las redes pueden sintetizar algoritmos a través de un proceso de aprendizaje. Para utilizar la tecnología neuronal no es necesario conocer procesos matemáticos, basta con conocer los datos de trabajo. Lo fuerte en redes neuronales es la solución de problemas no lineales. Las redes son robustas y pueden fallar algunos elementos de procesamiento. DESVENTAJAS DE LAS REDES NEURONALES Las redes neuronales se deben entrenar para cada problema. Debido a que las redes se entrena en lugar de programarlas, estas necesitan muchos datos. Lo fuerte en redes neuronales es la solución de problemas no lineales. Las redes neuronales, presentan un aspecto complejo para un observador externo que desee realizar cambios. RED TIPO PERCEPTRON Los Perceptrones son redes de propagación hacia adelante basados en unidades binarias. En una forma sencilla, el Perceptrón consta de una capa de entrada de n elementos, dichas entradas, se propagarán a una capa de m unidades actuadoras y de estas a una sola unidad de salida. El objetivo de esta operación es aprender a dar una transformación dada usando muestras de aprendizaje, con entrada x y su correspondiente salida y. En la definición original la actividad de las unidades actuadoras puede ser cualquier función f de la capa de entrada, pero el procedimiento de aprendizaje sólo ajusta las conexiones de la unidad de salida. La razón para esto es que no hay una fórmula para encontrar el ajuste de conexiones entre la capa de entrada y la función f. La unidad de salida de un Perceptrón es un elemento lineal o elemento de umbral. Este tipo de red podría ser la primera utilizada en un mino robot que actué por si mismo. CLASIFICACION DE LAS REDES NEURONALES Las redes neuronales se pueden clasificarse de acuerdo con el número de capas o niveles de neuronas, el número de neuronas por capa y el grado y tipo de conectividad entre las mismas. Las redes Monocapa sólo cuentan con una capa de neuronas, que intercambian señales con el exterior y que constituyen a un tiempo la entrada y salida del sistema. En las redes Monocapa, se establecen conexiones laterales entre las neuronas, pudiendo existir, también conexiones autorrecurrentes (la salida de una neurona se conecta con su propia entrada), Las redes Multicapa disponen de conjuntos de neuronas jerarquizadas en distintos niveles o capas, con al menos una capa de entrada y otra de salida, y, eventualmente una o varias capas intermedias (ocultas). APLICACIÓN DE REDES NEURONALES MULTICAPA GENERALIZACION EN REDES NEURONALES Característica mas sobresaliente de las redes neuronales es la habilidad para reconocer o clasificar patrones nunca antes presentados en la red. Para mejorar la capacidad de generalización de una red neuronal, se entrena una red con un numero alto de neuronas, cuando el error empieza disminuir, se eliminan neuronas, para podar la red. Y se entrena de nuevo la red, entre menos números de neuronas haya en la capa oculta hay una mejor generalización. Lo que quiere decir que cuando hay demasiadas neuronas, la red memoriza sus patrones y no sus características y si el numero de neuronas ocultas es pequeño la red no aprende los patrones. APLICACIÓN DE LAS REDES NEURONALES MULTICAPA El primer paso para utilizar una red consiste en organizar los patrones como entradas salidas deseadas. En ocasiones es necesario filtrar los datos para acelerar el aprendizaje de la red. Las redes multicapa se pueden usar básicamente en: clasificación de patrones y síntesis de funciones no lineales. Función lógica xor: Puerta XOR o Suma binaria Su función lógica es la de realizar una suma binaria. S = A'B + AB‘ Con esta serie de puertas lógicas, se puede implementar cualquier función lógica dada, a partir de esta o de una tabla de verdad. Todas estas puertas tienen una puerta complementaria, que niega a la salida. APLICACIÓN DE LAS REDES NEURONALES MULTICAPA Circuito semisumador Es el encargado de entrenar una red neuronal, con función de activación para sintetizar el mapa de entrada - salida Identificación de sistemas dinámicos discretos se hace mostrando un diagrama de bloques, para identificar la dinámica entrada-salida. Reconocimiento de patronos. Una de las relaciones mas frecuentes de las redes neuronales es el reconocimiento de patronos en la red multicapa que actúa de acuerdo a las características de las neuronas ocultas. APLICACIÓN DE LAS REDES NEURONALES MULTICAPA Clasificación de electromiogramas: el control de prótesis se puede lograr utilizando una señal miolectrica, medida por electrodos superficiales. Es posible entrenar una red neuronal, para clasificar señales miolectricas en categorías que puedan entender la prótesis. La clasificación de electromiogramas involucra tres pasos. Amplificar la señal muscular. Ajustar un modelo autorregresivo a la señal muestreada, tomando el parámetro y la potencia de la autorregresion. Utilizar una red para la clasificación. Identificación de fallas en el sistema de potencia Una red neuronal aprende, lo cual contrasta con los sistemas expertos, ella genera sus propias reglas a partir de unos ejemplos. La habilidad de las redes neuronales, hace que sean útiles en aplicaciones de reconocimientos de patrones donde las reglas son muy complejas para definirlas y mantenerlas APLICACIÓN DE LAS REDES NEURONALES MULTICAPA Otras aplicaciones Detención de explosivos en los aeropuertos. Modelos de sistemas químicos. Contenidos armónicos. Preediciones financieras.. Procesamiento de imágenes. Verificación de firmas. Monitoreo de cuidados intensivos. Análisis de gases. Adulteración de aceites. Análisis de clientes. IBM aplica el computo neuronal. APLICACIÓN DE LAS REDES NEURONALES MULTICAPA Análisis de sonido Preedición de demanda. El computo neuronal en las finanzas. Diagnostico del cáncer del seno. Ciclos limite en mini robots neurocontrolados