Documento 91434

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