12/02/2015

1

INTRODUCCION A LA REDES NEURONALES ARTIFICIALES

El computador y el hombre

realizan bien, diferentes clases

de tareas; as la operacin de

reconocer el rostro de una

persona resulta una tarea

relativamente sencilla para el

hombre y difcil para el

computador, mientras que la

contabilidad de una empresa es

tarea costosa para un experto

contable y una sencilla rutina

para un computador bsico.

Una red neuronal artificial es una herramienta

diseada para emular la forma en que el cerebro

humano funciona

Cmo funciona el cerebro humano ?

Cmo aprende el ser humano ?

Dnde se guarda el conocimiento ?

Por qu es tan eficiente el cerebro humano ?

El cerebro humano est

compuesto por una gran

cantidad de elementos

bsicos denominados

neuronas

Bsicamente las

neuronas estn formadas

por: Un cuerpo central o Ncleo

Un mecanismo de conexin con otras neuronas

(sinapsis):

Axn y dendritas

Los estmulos recibidos en el cerebro

son transmitidos entre las neuronas

mediante las conexiones sinpticas.

Cuando una neurona es estimulada

libera una pequea cantidad de un

componente qumico (neurotransmisor).

Este viaja a travs del axn hasta llegar a

las dendritas de otras neuronas en las

cuales el proceso se repite.

Este proceso sirve para incrementar o

disminuir la relacin entre las neuronas

involucradas en el.

As, ante un determinado estmulo

ciertas neuronas se activan y otras se

inhiben

12/02/2015

2

Mediante un proceso de aprendizaje se logran

establecer los niveles correctos de activacin-

inhibicin de las neuronas

Cuando este proceso se completa entonces ante

determinados estmulos sabemos como responder y

aprendemos

El conocimiento adquirido est entonces en los niveles de relacin entre las neuronas logrados

durante el proceso de aprendizaje

El cerebro es entrenado por repeticin de estmulos !

Ejemplo: Los nios !

Cmo puede ser el cerebro tan eficiente ?

Por la enorme cantidad de neuronas (aprox. 100 billones) y la manera en que estn interconectadas

(aprox. 60 trillones de sinapsis)

Por la capacidad de organizarse, construir reglas y aprender de la experiencia

Qu es y cmo construir una red neuronal

artificial?

Es un procesador distribuido paralelamente que tiene una propensin natural para almacenar

conocimiento experimental y puesta a disposicin

para su uso (Haykin, 1994)

La RNA estn inspiradas en las RNB del cerebro

humano

Las RNA estn constituidas por elementos (NA) que

se comportan de forma similar a la NB en sus

funciones mas comunes.

Estos elementos estn organizados de una forma

parecida a la que presenta el cerebro humano

Las RNA al margen de parecerse al cerebro presenta

una serie de caractersticas propias del cerebro.

Por ejemplo la RNA Aprenden de la experiencia

Generalizan de ejemplos previos a ejemplos nuevos

Abstraen las caractersticas principales de una serie de datos

Aprender: Adquirir el conocimiento de una cosa por medio del estudio ,

ejercicio o experiencia.

Las RNA pueden cambiar su comportamiento en funcin del entorno

Se les muestra un conjunto de entradas y ellas mismas se ajustan para producir unas salidas consistentes.

Generalizar: Extender o ampliar una cosa.

Las RNA generalizan automticamente debido a su propio estructura y naturaleza.

Estas redes puedes ofrecer, dentro de un margen, respuestas correctas a entradas que presentan pequeas variaciones debido a los efectos de

ruido o distorsin.

12/02/2015

3

Abstraer: Aislar mentalmente o considerar por separado las cualidades de un

objeto.

Algunas RNA son capaces de abstraer la esencia de un conjunto de entradas que aparentemente no presenta aspectos comunes o relativos.

La neurona es la unidad fundamental del sistema nervioso y en particular

del cerebro.

Cada neurona es una simple unidad procesadora que recibe y combina

seales desde y hacia otras neuronas.

Si la combinacin de entradas es suficientemente fuerte la salida de la

neurona se activa.

La seal ingresa por las dendritas atraviesan el cuerpo, el

axn (salida) y sale por las terminaciones nerviosas.

El axn de la neurona se ramifican en las terminaciones

nerviosas (salida) y estas estn conectadas a las dendritas

(entradas) de otras neuronas a travs de uniones llamadas

sinapsis.

12/02/2015

4

La funcin de activacin se utiliza para limitar el rango de valores de la respuesta de la neurona.

Generalmente los rangos de valores se limitan a [0,1] o [-1,1], sin embargo otros rangos son posibles de acuerdo a la aplicacin o problema a resolver.

Existen diversas funciones de activacin y la decisin entre una u otra depender nuevamente de la aplicacin o problema a resolver.

Existen funciones de activacin comnmente utilizadas y con las cuales se han obtenido resultados satisfactorios en diversas aplicaciones.

12/02/2015

5

12/02/2015

6

Las caractersticas especiales de los sistemas de

computacin neuronal permiten que sea utilizada

esta nueva tcnica de calculo en una extensa

variedad de aplicaciones.

La computacin neuronal provee un acercamiento

mayor al reconocimiento y percepcin humana

que los mtodos tradicionales de calculo.

Las RNAs presentan resultados razonables en

aplicaciones donde las entradas presentan ruido

o las entradas estn incompletas.

Algunas de la reas de aplicacin de la RNA:

Anlisis y Procesado de seales

Reconocimiento de Imgenes

Control de procesos

Filtrado de ruidos

Robtica

Procesado de Lenguaje

Diagnsticos mdicos

Otros

Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que

se llama etapa de aprendizaje.

Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cual es la salida (respuesta) esperada.

Auto organizacin: Una RNA crea su propia representacin de la informacin en su

interior , descargando al usuario de esta tarea.

Tolerancia a fallos Debido a que una RNA almacena la informacin de forma

redundante, esta puede seguir respondiendo de manera aceptable

aun si se daa parcialmente.

Se pueden clasificar en:

Topologa

Tipo de Aprendizaje

Tipo de Informacin

Las RNA en funcin de su topologa (patrn

de conexiones) que presenta, se clasifican

en dos tipos bsicos de redes:

Las redes de propagacin hacia delante

La redes recurrentes

Topologa

Las redes de propagacin hacia delante o

aciclicas.

Todas las seales van desde la capa de entrada hacia la salida sin existir ciclos, ni conexiones entre neuronas de

la misma capa.

Monocapa

Perceptron

Adaline

Multicapa

Perceptron multicapa

12/02/2015

7

Topologa Las redes de recurrentes

Son las que presentan al menos un ciclo cerrado de activacin neuronal

Ejemplos: Elman

Hopfield

Maquina de Boltzmann

Las RNA en funcin del tipo de aprendizaje

de que es capaz (si necesita o no un

conjunto de entrenamiento supervisado) se

clasifica en: Aprendizaje supervisado

Aprendizaje no supervisado o auto organizado

Redes hibridas

Aprendizaje reforzado

Tipo de Aprendizaje:

Aprendizaje supervisado

Necesitan un conjunto de datos de entrada previamente clasificado o cuya respuesta objetivo

conoce.

Ejemplos:

Perceptron simple

Red Adaline

Perceptron multicapa

La memoria asociativa bidireccional

Tipo de Aprendizaje:

Aprendizaje no supervisado o auto organizado

No necesitan de tal conjunto previo. Ejemplos:

Las memorias asociativas

Las redes de Hopfield

La maquina de Boltzmann

La maquina de Cauchy

Las redes de aprendizaje competitivo

Las redes de Kohonen o mapas autoorganizados y

Las redes de resonancia adaptativa

Tipo de Aprendizaje:

Redes hibridas

Son un enfoque mixto en el que se utiliza una funcin de mejora para facilitar la convergencia.

Ejemplo:

Las redes de base radial

Aprendizaje reforzado:

Se sita a medio camino entre el supervisado y el auto organizado.

Tambin se pueden clasificar las RNAs

segn sean capaces de procesar un tipo de

informacin en:

Redes analgicas

Redes discretas

12/02/2015

8

Tipos de informacin:

Redes analgicas

Procesan datos de entrada con valores continuos y habitualmente acotados.

Ejemplo:

Hopfield

Kohonen y

Las redes de aprendizaje competitivo.

Tipos de informacin:

Redes discretas

Procesan datos de entrada de naturaleza discreta habitualmente valores lgicos booleanos.

Ejemplo:

La maquina de Boltzmann

La maquina de Cauchy y

La red discreta de Hopfield.