IA-redes Neuronales Artificiales
description
Transcript of IA-redes Neuronales Artificiales
FACULTAD DE INGENIERÍA CIVIL, DE SISTEMAS Y ARQUITECTURAESCUELA PROFESIONAL DE INGENIERIA DE SISTEMAS
ASIGNATURA :
INTELIGENCIA ARTIFICIAL
DOCENTE :
ING. GAVINO MARCELO LOYAGA ORBEGOSO
ALUMNO :
SILVA LOPEZ DENYS
TEMA :
ENSAYO REDES NEURONALES ARTIFICIALES
CICLO :
2013 - I
LAMBAYEQUE, NOVIEMBRE DEL 2013
REDES NEURONALES ARTIFICIALES INTELIGENCIA ARTIFICIAL
INTRODUCCION
Las redes neuronales son una técnica eficaz para resolver muchos problemas del mundo
real. Ellos tienen la capacidad de aprender de la experiencia con el fin de mejorar su
rendimiento y adaptarse a los cambios en el medio ambiente. Además de que son
capaces de tratar con información incompleta o datos de ruido y puede ser muy eficaz,
especialmente en situaciones donde no es posible definir las reglas o pasos que
conducen a la solución de un problema.
A partir de los datos de medición de una fuente conocida o desconocida, una red neuronal
puede ser entrenada para realizar la clasificación, la estimación, la simulación y predicción
de los procesos subyacentes que generan datos. Por lo tanto, las redes neuronales, son
herramientas de software diseñadas para estimar las relaciones en los datos. Una
relación estimada es esencialmente un mapa o una función, sobre los datos en bruto a
sus características.
El área general de las redes neuronales artificiales tiene sus raíces en nuestra
comprensión del cerebro humano. En este sentido, los conceptos iniciales se basaron en
los intentos de imitar la manera del cerebro de procesar la información. Los esfuerzos que
siguieron dieron lugar a diversos modelos de estructuras de red neuronal biológica y el
aprendizaje de algoritmos.
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO Página 2
REDES NEURONALES ARTIFICIALES INTELIGENCIA ARTIFICIAL
REDES NEURONALES ARTIFICIALES
Las redes neuronales artificiales (RNA) son dispositivos o software programado de
manera tal que funcionen como las neuronas biológicas de los seres vivos.
Existen numerosas formas de definir lo que son las RNA, sin embargo se puede decir que
son modelos matemáticos conformados por un gran número de elementos de
procesamiento que están interconectados masivamente y que tienen una organización
jerárquica, los cuales intentan interactuar con los objetos del mundo real al igual que lo
hace el cerebro humano para conseguir resolver problemas relacionados con el
reconocimiento de patrones, predicción, codificación, control, optimización entre otros.
En las RNA, los elementos de procesamiento corresponden a las neuronas biológicas, las
interconexiones se realizan por medio de las ramas de salida (axones) que producen un
número variable de conexiones (sinapsis) con otras neuronas.
1. Neuronas Biológicas
Nuestros cerebros cuentan con millones de neuronas que se interconectan para
elaborar "Redes Neuronales". Estas redes ejecutan los millones de instrucciones
necesarias para mantener una vida normal. Las neuronas son las células que forman la
corteza cerebral de los seres vivos, cada una está formada por elementos llamados
cuerpo, axón y dendritas.
Las dendritas forman una estructura de filamentos muy fina que rodean el cuerpo de la
neurona. El axón es un tubo largo y delgado que se ramifica en su extremo en
pequeños bulbos finales que casi tocan las dendritas de las células vecinas. La
pequeña separación entre los bulbos finales y las dendritas se le denomina sinapsis.
Las neuronas, al igual que las demás células del cuerpo, funcionan a través de
impulsos eléctricos y reacciones químicas. Los impulsos eléctricos que utiliza una
neurona para intercambiar información con las demás, viajan por el axón que hace
contacto con las dendritas de la neurona vecina mediante las sinapsis. La intensidad
de la corriente transmitida depende de la eficiencia de la transmisión sináptica. Una
neurona en especial transmitirá un impulso eléctrico por su axón si suficientes señales
de las neuronas vecinas transmiten a través de sus dendritas en un tiempo corto. La
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO Página 3
REDES NEURONALES ARTIFICIALES INTELIGENCIA ARTIFICIAL
señal que se transmite a la
neurona podrá ser además
inhibitoria o excitatoria. La
neurona dispara, esto es,
manda el impulso por su
axón, si la excitación excede
su inhibición por un valor crítico, el umbral de la neurona.
Las entradas Xi representan todas las entradas que provienen de las demás neuronas y que son capturadas por las dendritas.
Wi son los pesos sinápticos, representan todas las conexiones entre todas las neuronas en la red.
θ es el umbral que debe sobrepasar toda la neurona para poder activarse y generar una respuesta
J es la salida que ofrece la neurona a través del axón.
2. Características de las Redes Neuronales Artificiales
Pesos
Las RNA pueden tener factores de pesos fijos o adaptables. Las que tienen pesos
adaptables emplean leyes de aprendizaje para ajustar el valor de la fuerza de un
interconexión con otras neuronas. Si las neuronas utilizan pesos fijos, entonces su
tarea deberá estar previamente definida. Los pesos serán determinados a partir de una
descripción completa del problema. Por otra parte, los pesos adaptables son
esenciales si no se conoce previamente cual deberá de ser su valor correcto.
Dos tipos de aprendizaje
Existen dos tipos de aprendizaje: supervisado y no supervisado. El primero ocurre
cuando se le proporciona a la red tanto la entrada como la salida correcta, y la red
ajusta sus pesos tratando de minimizar el error de su salida calculada. Este tipo de
entrenamiento se aplica por ejemplo, en el reconocimiento de patrones. El
entrenamiento no supervisado se presenta cuando a la red se le proporcionan
únicamente los estímulos, y la red ajusta sus interconexiones basándose únicamente
es sus estímulos y la salida de la propia red. Las leyes de aprendizaje determinan
como la red ajustará sus pesos utilizando una función de error o algún otro criterio. La
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO Página 4
REDES NEURONALES ARTIFICIALES INTELIGENCIA ARTIFICIAL
ley de aprendizaje adecuada se determina con base a la naturaleza del problema que
se intenta resolver.
Dos fases de operación:
Las RNA adaptables tienen dos fases en su operación:
Entrenamiento de la red. El usuario proporciona a la red un número
"adecuado" de estímulos de entrada, y de salida, la red entonces ajusta su
pesos de interconexión o sinapsis hasta que la salida de la red esta "lo
suficientemente cerca" de la salida correcta.
Recuperación de lo aprendido. A la red se le presenta un conjunto de
estímulos de entrada y esta simplemente calcula su salida. Cuando la red
emplea entrenamiento no supervisado, algunas veces será necesario que
reajuste su sinapsis durante la fase de recuperación.
No son algorítmicas
La gran diferencia del empleo de las redes neuronales
en relación con otras aplicaciones de la computación
radica en que no son algorítmicas, esto es no se
programan haciéndoles seguir una secuencia
predefinida de instrucciones. Las RNA generan ellas
mismas sus propias "reglas", para asociar la respuesta
a su entrada; es decir, aprende por ejemplos y de sus
propios errores. El conocimiento de una RNA se
encuentra en la función de activación utilizada y en los
valores de sus pesos.
Asociar y generalizar sin reglas como en el cerebro humano
Las redes neuronales formadas por los perceptrones se interconectan en forma muy
similar a como las neuronas humanas se disponen en la corteza cerebral humana, y lo
más importante, son capaces de asociar y generalizar sin reglas. Han sido utilizadas
con gran éxito para reconocer retornos de sonar bajo el agua, escritura a mano, voz,
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO Página 5
REDES NEURONALES ARTIFICIALES INTELIGENCIA ARTIFICIAL
topografía de terrenos, controlar brazos de robots, evaluar datos personales, modelar
fenómenos cognoscitivos, y, predecir tendencias financieras.
Requieren de algún tipo de patrón
La clase de problemas que mejor se resuelven con las redes neuronales son los
mismos que el ser humano resuelve mejor: Asociación, evaluación, y reconocimiento
de patrones. Las redes neuronales son perfectas para problemas que son muy difíciles
de calcular pero que no requieren de respuestas perfectas, sólo respuestas rápidas y
buenas. Por otra parte, las redes neuronales son muy malas para cálculos precisos,
procesamiento serie, y no son capaces de reconocer nada que no tenga
inherentemente algún tipo de patrón. Es por esto, que no pueden predecir la lotería, ya
por definición es un proceso al azar.
3. Ventajas de las Redes Neuronales Artificiales
a) Aprendizaje adoptivo: Capacidad de aprender ciertas tareas mediante un
entrenamiento y poder diferenciar patrones así como también la capacidad de
estar cambiando constantemente para adaptarse a nuevas condiciones.
b) Son sistemas distribuidos no lineales: Una neurona es un elemento no lineal por
lo que una interconexión de ellas (red neuronal) también será un dispositivo no
lineal. Esta propiedad permitirá la simulación de sistemas no lineales y caóticos,
simulación que, con los sistemas clásicos lineales, no se puede realizar.
c) Son sistemas tolerantes a fallos: Una red neuronal, al ser un sistema distribuido,
permite el fallo de algunos elementos individuales (neuronas) sin alterar
significativamente la respuesta total del sistema. Este hecho las hace especialmente
atractivas frente a los computadoras actuales que, por lo general, son sistemas
secuenciales de tal forma que un fallo en uno de sus componentes conlleva que el
sistema total no funcione.
d) Adaptabilidad: Una red neuronal tiene la capacidad de modificar los parámetros de
los que depende su funcionamiento de acuerdo con los cambios que se produzcan
en su entorno de trabajo (cambios en las entradas, presencia de ruido, etc...). Con
respecto a la capacidad de adaptación hay que tener en cuenta que ésta no puede
ser tampoco excesivamente grande ya que conduciría a tener un sistema inestable
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO Página 6
REDES NEURONALES ARTIFICIALES INTELIGENCIA ARTIFICIAL
respondiendo a pequeñas perturbaciones. Este es el problema conocido como el
dilema plasticidad-estabilidad.
e) Establecen relaciones no lineales entre datos: Las redes neuronales son
capaces de relacionar dos conjuntos de datos mediante relaciones complejas.
f) Operación en tiempo real: Para que las redes operen en tiempo real, la necesidad
de cambio en los pesos de conexión o entrenamiento es mínima. Los cómputos
neuronales pueden ser realizados en paralelo con otro hardware para obtener
esa capacidad
g) Posibilidad de implementación en VLSI: Esta posibilidad permite que estos
sistemas puedan ser aplicados en sistemas de tiempo real, simulando sistemas
biológicos mediante elementos de silicio.
4. Aplicaciones de las redes neuronales artificiales.
Las características especiales de los sistemas de computación neuronal permiten que
sea utilizada esta nueva técnica de cálculo en una extensa variedad de aplicaciones.
Conversión Texto a Voz: uno de los principales promotores de la computación
neuronal en esta área es Terrence Sejnowski. La conversión texto-voz consiste en
cambiar los símbolos gráficos de un texto en lenguaje hablado. El sistema de
computación neuronal presentado por Sejnowski y Rosemberg, el sistema llamado
NetTalk, convierte texto en fonemas y con la ayuda de un sintetizador de voz (Dectalk)
genera voz a partir de un texto escrito.
Procesado Natural del Lenguaje: Incluye el estudio de cómo se construyen las
reglas del lenguaje. Los científicos del conocimiento Rumelhart y McClelland han
integrado una red neuronal de proceso natural del lenguaje. El sistema realizado ha
aprendido el tiempo verbal pass tense de los verbos en inglés. Las características
propias de la computación neuronal como la capacidad de generalizar a partir de datos
incompletos y la capacidad de abstraer, permiten al sistema generar buenos
pronósticos para verbos nuevos o verbos desconocidos.
Compresión de Imágenes: La compresión de imágenes es la transformación de los
datos de una imagen a una representación diferente que requiera menos memoria o
que se pueda reconstruir una imagen imperceptible. Cottrel, Munro y Zisper de la
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO Página 7
REDES NEURONALES ARTIFICIALES INTELIGENCIA ARTIFICIAL
Universidad de San Diego y Pisttburgh han diseñado un sistema de compresión de
imágenes utilizando una red neuronal con un factor de compresión de 8:1.
Reconocimiento de Caracteres: Es el proceso de interpretación visual y de
clasificación de símbolos. Los investigadores de Nestor, Inc. han desarrollado un
sistema de computación neuronal que tras el entrenamiento con un conjunto de tipos
de caracteres de letras, es capaz de interpretar un tipo de carácter o letra que no haya
visto con anterioridad.
Reconocimiento de Patrones en Imágenes: Una aplicación típica es la clasificación
de objetivos detectados por un sonar. Existen varias ANN basadas en la popular
Backpropagation cuyo comportamiento es comparable con el de los operadores
humanos. Otra aplicación normal es la inspección industrial.
Problemas de Combinatoria: En este tipo de problemas la solución mediante cálculo
tradicional requiere un tiempo de proceso (CPU) que es exponencial con el número de
entradas. Un ejemplo es el problema del vendedor; el objetivo es elegir el camino más
corto posible que debe realizar el vendedor para cubrir un número limitado de ciudades
en un área geográfica específica. Este tipo de problema ha sido abordado con éxito por
Hopfield y el resultado de su trabajo ha sido el desarrollo de una ANN que ofrece
buenos resultados para este problema de combinatoria.
Procesado de la Señal: En este tipo de aplicación existen tres clases diferentes de
procesado de la señal que han sido objeto de las ANN como son la predicción, el
modelado de un sistema y el filtrado de ruido.
Predicción: En el mundo real existen muchos fenómenos de los que conocemos su
comportamiento a través de una serie temporal de datos o valores. Lapedes y Farber
del Laboratorio de Investigación de los Álamos, han demostrado que la red
backpropagation supera en un orden de magnitud a los métodos de predicción
polinómicos y lineales convencionales para las series temporales caóticas.
Modelado de Sistemas: Los sistemas lineales son caracterizados por la función de
transferencia que no es más que una expresión analítica entre la variable de salida y
una variable independiente y sus derivadas. Las ANN también son capaces de
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO Página 8
REDES NEURONALES ARTIFICIALES INTELIGENCIA ARTIFICIAL
aprender una función de transferencia y comportarse correctamente como el sistema
lineal que está modelando.
Filtro de Ruido: Las ANN también pueden ser utilizadas para eliminar el ruido de una
señal. Estas redes son capaces de mantener en un alto grado las estructuras y valores
de los filtros tradicionales.
Modelos Económicos y Financieros: Una de las aplicaciones más importantes del
modelado y pronóstico es la creación de pronósticos económicos como por ejemplo los
precios de existencias, la producción de las cosechas, el interés de las cuentas, el
volumen de las ventas etc. Las redes neuronales están ofreciendo mejores resultados
en los pronósticos financieros que los métodos convencionales.
ServoControl: Un problema difícil en el control de un complejo sistema de
servomecanismo es encontrar un método de cálculo computacional aceptable para
compensar las variaciones físicas que se producen en el sistema. Entre los
inconvenientes destaca la imposibilidad en algunos casos de medir con exactitud las
variaciones producidas y el excesivo tiempo de cálculo requerido para la obtención de
la solución matemática. Existen diferentes redes neuronales que han sido entrenadas
para reproducir o predecir el error que se produce en la posición final de un robot. Este
error se combina con la posición deseada para proveer una posición adaptativa de
corrección y mejorar la exactitud dela posición final.
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO Página 9