REDES NEURONALES ARTIFICIALES

Gerson Camacho Córdova

 Las redes neuronales, también llamadas "redes de neuronas artificiales", son modelos bastante simplificados de las redes de neuronas que forman el cerebro. Y, al igual que este, intentan "aprender" a partir de los datos que se le suministran.

Las redes de neuronas artificiales (denominadas habitualmente como RNA o en inglés como: "ANN" ) son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. 

Conceptos:

Se estima que el cerebro humano contiene más de cien mil millones ( ) de neuronas y  sinápsis en el sistema nervioso humano

Modelo Biológico

• Cuerpo de la neurona, • Ramas de extensión llamadas dendrítas para recibir las entradas, y • Axón que lleva la salida de la neurona a las desdirías de otras neuronas

Su capacidad de aprendizaje a partir de la experiencia (entrenamiento).

Su velocidad de respuesta una vez concluido el entrenamiento.

Su robustez, en el sentido de que el conocimiento adquirido se encuentra repartido por toda la red, de forma que si se lesiona una parte se continúan generando cierto numero de respuestas correctas (en este caso también hay cierta analogía con los cerebros parcialmente dañados).

Características

6

Marco Histórico de las Redes Neuronales

Antecedentes Historicos

1943 W. Mc Culloc y W. Pitts. N. Digitales.

1949 Donal Hebb “ La organización

del comportamiento”.

1951 M. Minsky & D. Edmonds. “SNARC”

7

Antecedentes Históricos

1957 F.Rosemblatt “El Perceptron”.

1959 B. Widrow y T. Hoff.

“Adaline & Madaline”

1967 S. Grossberg

“ Red Avalancha”.

8

Antecedentes Históricos

1969 M. Minsky y S Papert, “Perceptrons”.

1977 J. Anderson“Asociador lineal,

BSB” 1978 Teuvo

Kohonen “Mapas Autoorganizativos (SOM)”

9

Antecedentes Históricos

1980 K. Fukushima “Cognitron y Neocognitron”

1982 John Hopfield “Red Hopfield”

1982 Rumelhart, Hinton y William, “Algoritmo de retropropagación”

Las características de las redes neuronales hacen que sus posibles aplicaciones sean muy amplias. Algunas de las aplicaciones más destacadas son:

Reconocimiento de patrones de clasificación: Reconocimiento de voz, de caracteres manuscritos,... Análisis y reconocimiento de imágenes, formas,... Diagnostico clínico.

Análisis de series temporales y predicción: Modelos meteorológicos. Predicción del comportamiento. Predicción de series temporales.

Robótica Etc.

Aplicaciones de las redes neuronales:

Modelo de Red La forma que dos neuronas interactuan no es totalmente

conocida, En general, una neurona envía su salida a otras por su axón.

Este proceso es a menudo modelado como la función de red . La neurona recoge las señales por su sinápsis sumando todas las influencias excitadoras e inhibidoras.

Si las influencias excitadoras positivas dominan, entonces la neurona da una señal positiva y manda este mensaje a otras neuronas por sus sinápsis de salida.

En el caso general el valor de activación de la neurona viene dado por una función de activación

La arquitectura más usada en la actualidad de una red neuronal consistiría en:

Una primera capa de entradas, que recibe información del exterior.

Una serie de capas ocultas (intermedias), encargadas de realizar el trabajo de la red.

Una capa de salidas, que proporciona el resultado del trabajo de la red al exterior.

Funcionamiento Básico

El Perceptrón

•Los perceptrones se diseñaron para emular las características principales de las neuronas biológicas. •Su funcionamiento es el siguiente: Una serie de entradas se aplican al perceptrón, luego esas entradas son multiplicadas por un peso (también llamado factor), que representa la "fuerza" de la conexión sináptica y todas las entradas multiplicadas por su peso se suman para determinar el nivel de activación del perceptrón.

•De aquí en adelante nos referiremos a este sumatorio con el término NET.

La Función de Activación

La salida NET es generalment utilizada más adelante por una función de activación que denominaremos F para producir la señal de salida del perceptrón, denominada OUT. Esta función puede ser de distintos tipos: 1.Lineal: OUT = K * NET (siendo k una constante numérica)

                   

2.Umbral (Abrupta, binaria): La salida es 1 si NET>K y 0 en otro caso

                       

3.Sigmoidea (Contínua): Es la función que más se parece a las características de transferencia no lineal de la neurona biológica y permite funciones de red más generales. Esta función además comprime el rango de NET, por lo que pertenece al tipo de funciones de aplastamiento

Perceptrón multicapa

El perceptrón multicapa es una (RNA) formada por múltiples capas, esto le permite resolver problemas que no son linealmente separables, lo cual es la principal limitación del perceptrón simple)

Las capas pueden clasificarse en tres tipos:Capa de entrada: Constituida por aquellas neuronas que introducen los patrones de entrada en la red. En estas neuronas no se produce procesamiento. Capas ocultas: Formada por aquellas neuronas cuyas entradas provienen de capas anteriores y las salidas pasan a neuronas de capas posteriores. Capa de salida: Neuronas cuyos valores de salida se corresponden con las salidas de toda la red.

http://perso.wanadoo.es/alimanya/intro.htm http://

es.wikipedia.org/wiki/Red_neuronal_artificial http://

perso.wanadoo.es/alimanya/funcion.htm www.uhu.es/mangel.rodriguez/IA/

IntroduccionRNA.ppt

Enlaces Web