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

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



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



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,



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



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 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



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.


IA-redes Neuronales Artificiales

Documents

Transcript of IA-redes Neuronales Artificiales