IA-redes Neuronales Artificiales

FACULTAD DE INGENIERA CIVIL, DE SISTEMAS Y ARQUITECTURA

ESCUELA 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

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO Pgina 2

INTRODUCCION

Las redes neuronales son una tcnica 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. Adems de que son

capaces de tratar con informacin 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 solucin de un problema.

A partir de los datos de medicin de una fuente conocida o desconocida, una red neuronal

puede ser entrenada para realizar la clasificacin, la estimacin, la simulacin y prediccin

de los procesos subyacentes que generan datos. Por lo tanto, las redes neuronales, son

herramientas de software diseadas para estimar las relaciones en los datos. Una

relacin estimada es esencialmente un mapa o una funcin, sobre los datos en bruto a

sus caractersticas.

El rea general de las redes neuronales artificiales tiene sus races en nuestra

comprensin del cerebro humano. En este sentido, los conceptos iniciales se basaron en

los intentos de imitar la manera del cerebro de procesar la informacin. Los esfuerzos que

siguieron dieron lugar a diversos modelos de estructuras de red neuronal biolgica y el

aprendizaje de algoritmos.



REDES NEURONALES ARTIFICIALES

Las redes neuronales artificiales (RNA) son dispositivos o software programado de

manera tal que funcionen como las neuronas biolgicas de los seres vivos.

Existen numerosas formas de definir lo que son las RNA, sin embargo se puede decir que

son modelos matemticos conformados por un gran nmero de elementos de

procesamiento que estn interconectados masivamente y que tienen una organizacin

jerrquica, 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, prediccin, codificacin, control, optimizacin entre otros.

En las RNA, los elementos de procesamiento corresponden a las neuronas biolgicas, las

interconexiones se realizan por medio de las ramas de salida (axones) que producen un

nmero variable de conexiones (sinapsis) con otras neuronas.

1. Neuronas Biolgicas

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 clulas que forman la

corteza cerebral de los seres vivos, cada una est formada por elementos llamados

cuerpo, axn y dendritas.

Las dendritas forman una estructura de filamentos muy fina que rodean el cuerpo de la

neurona. El axn es un tubo largo y delgado que se ramifica en su extremo en

pequeos bulbos finales que casi tocan las dendritas de las clulas vecinas. La

pequea separacin entre los bulbos finales y las dendritas se le denomina sinapsis.

Las neuronas, al igual que las dems clulas del cuerpo, funcionan a travs de

impulsos elctricos y reacciones qumicas. Los impulsos elctricos que utiliza una

neurona para intercambiar informacin con las dems, viajan por el axn 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 transmisin sinptica. Una

neurona en especial transmitir un impulso elctrico por su axn si suficientes seales

de las neuronas vecinas transmiten a travs de sus dendritas en un tiempo corto. La



seal que se transmite a la

neurona podr ser adems

inhibitoria o excitatoria. La

neurona dispara, esto es,

manda el impulso por su

axn, si la excitacin excede

su inhibicin por un valor crtico, el umbral de la neurona.

Las entradas Xi representan todas las entradas que provienen de las dems neuronas y que son capturadas por las dendritas.

Wi son los pesos sinpticos, representan todas las conexiones entre todas las neuronas en la red.

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 travs del axn.

2. Caractersticas 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

interconexin con otras neuronas. Si las neuronas utilizan pesos fijos, entonces su

tarea deber estar previamente definida. Los pesos sern determinados a partir de una

descripcin completa del problema. Por otra parte, los pesos adaptables son

esenciales si no se conoce previamente cual deber 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

nicamente los estmulos, y la red ajusta sus interconexiones basndose nicamente

es sus estmulos y la salida de la propia red. Las leyes de aprendizaje determinan



como la red ajustar sus pesos utilizando una funcin de error o algn otro criterio. La

ley de aprendizaje adecuada se determina con base a la naturaleza del problema que

se intenta resolver.

Dos fases de operacin:

Las RNA adaptables tienen dos fases en su operacin:

Entrenamiento de la red. El usuario proporciona a la red un nmero

"adecuado" de estmulos de entrada, y de salida, la red entonces ajusta su

pesos de interconexin o sinapsis hasta que la salida de la red esta "lo

suficientemente cerca" de la salida correcta.

Recuperacin de lo aprendido. A la red se le presenta un conjunto de

estmulos de entrada y esta simplemente calcula su salida. Cuando la red

emplea entrenamiento no supervisado, algunas veces ser necesario que

reajuste su sinapsis durante la fase de recuperacin.

No son algortmicas

La gran diferencia del empleo de las redes neuronales

en relacin con otras aplicaciones de la computacin

radica en que no son algortmicas, esto es no se

programan hacindoles 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 funcin de activacin 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

ms importante, son capaces de asociar y generalizar sin reglas. Han sido utilizadas



con gran xito para reconocer retornos de sonar bajo el agua, escritura a mano, voz,

topografa de terrenos, controlar brazos de robots, evaluar datos personales, modelar

fenmenos cognoscitivos, y, predecir tendencias financieras.

Requieren de algn tipo de patrn

La clase de problemas que mejor se resuelven con las redes neuronales son los

mismos que el ser humano resuelve mejor: Asociacin, evaluacin, y reconocimiento

de patrones. Las redes neuronales son perfectas para problemas que son muy difciles

de calcular pero que no requieren de respuestas perfectas, slo respuestas rpidas y

buenas. Por otra parte, las redes neuronales son muy malas para clculos precisos,

procesamiento serie, y no son capaces de reconocer nada que no tenga

inherentemente algn tipo de patrn. Es por esto, que no pueden predecir la lotera, ya

por definicin 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 as como tambin 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 interconexin de ellas (red neuronal) tambin ser un dispositivo no

lineal. Esta propiedad permitir la simulacin de sistemas no lineales y caticos,

simulacin que, con los sistemas clsicos 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 parmetros 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 adaptacin hay que tener en cuenta que sta no puede

ser tampoco excesivamente grande ya que conducira a tener un sistema inestable

respondiendo a pequeas 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) Operacin en tiempo real: Para que las redes operen en tiempo real, la necesidad

de cambio en los pesos de conexin o entrenamiento es mnima. Los cmputos

neuronales pueden ser realizados en paralelo con otro hardware para obtener

esa capacidad

g) Posibilidad de implementacin en VLSI: Esta posibilidad permite que estos

sistemas puedan ser aplicados en sistemas de tiempo real, simulando sistemas

biolgicos mediante elementos de silicio.

4. Aplicaciones de las redes neuronales artificiales.

Las caractersticas especiales de los sistemas de computacin neuronal permiten que

sea utilizada esta nueva tcnica de clculo en una extensa variedad de aplicaciones.

Conversin Texto a Voz: uno de los principales promotores de la computacin

neuronal en esta rea es Terrence Sejnowski. La conversin texto-voz consiste en

cambiar los smbolos grficos de un texto en lenguaje hablado. El sistema de

computacin 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 cmo se construyen las

reglas del lenguaje. Los cientficos 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 ingls. Las caractersticas

propias de la computacin neuronal como la capacidad de generalizar a partir de datos

incompletos y la capacidad de abstraer, permiten al sistema generar buenos

pronsticos para verbos nuevos o verbos desconocidos.



Compresin de Imgenes: La compresin de imgenes es la transformacin de los

datos de una imagen a una representacin 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 diseado un sistema de compresin de

imgenes utilizando una red neuronal con un factor de compresin de 8:1.

Reconocimiento de Caracteres: Es el proceso de interpretacin visual y de

clasificacin de smbolos. Los investigadores de Nestor, Inc. han desarrollado un

sistema de computacin neuronal que tras el entrenamiento con un conjunto de tipos

de caracteres de letras, es capaz de interpretar un tipo de carcter o letra que no haya

visto con anterioridad.

Reconocimiento de Patrones en Imgenes: Una aplicacin tpica es la clasificacin

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 aplicacin normal es la inspeccin industrial.

Problemas de Combinatoria: En este tipo de problemas la solucin mediante clculo

tradicional requiere un tiempo de proceso (CPU) que es exponencial con el nmero de

entradas. Un ejemplo es el problema del vendedor; el objetivo es elegir el camino ms

corto posible que debe realizar el vendedor para cubrir un nmero limitado de ciudades

en un rea geogrfica especfica. Este tipo de problema ha sido abordado con xito 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 Seal: En este tipo de aplicacin existen tres clases diferentes de

procesado de la seal que han sido objeto de las ANN como son la prediccin, el

modelado de un sistema y el filtrado de ruido.

Prediccin: En el mundo real existen muchos fenmenos de los que conocemos su

comportamiento a travs de una serie temporal de datos o valores. Lapedes y Farber

del Laboratorio de Investigacin de los lamos, han demostrado que la red

backpropagation supera en un orden de magnitud a los mtodos de prediccin

polinmicos y lineales convencionales para las series temporales caticas.



Modelado de Sistemas: Los sistemas lineales son caracterizados por la funcin de

transferencia que no es ms que una expresin analtica entre la variable de salida y

una variable independiente y sus derivadas. Las ANN tambin son capaces de

aprender una funcin de transferencia y comportarse correctamente como el sistema

lineal que est modelando.

Filtro de Ruido: Las ANN tambin pueden ser utilizadas para eliminar el ruido de una

seal. Estas redes son capaces de mantener en un alto grado las estructuras y valores

de los filtros tradicionales.

Modelos Econmicos y Financieros: Una de las aplicaciones ms importantes del

modelado y pronstico es la creacin de pronsticos econmicos como por ejemplo los

precios de existencias, la produccin de las cosechas, el inters de las cuentas, el

volumen de las ventas etc. Las redes neuronales estn ofreciendo mejores resultados

en los pronsticos financieros que los mtodos convencionales.

ServoControl: Un problema difcil en el control de un complejo sistema de

servomecanismo es encontrar un mtodo de clculo computacional aceptable para

compensar las variaciones fsicas 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 clculo requerido para la obtencin de

la solucin matemtica. Existen diferentes redes neuronales que han sido entrenadas

para reproducir o predecir el error que se produce en la posicin final de un robot. Este

error se combina con la posicin deseada para proveer una posicin adaptativa de

correccin y mejorar la exactitud dela posicin final.

FACULTAD DE INGENIERA CIVIL, DE SISTEMAS Y ARQUITECTURA

Documents

IA-redes Neuronales Artificiales