Download Introducción a las Redes neuronales

Introducción a las Redes
neuronales
Laboratorio de Inteligencia
Artificial
Modelo biológico
• Se estima que el cerebro humano contiene más de cien
mil millones ( ) de neuronas y sinápsis en el sistema
nervioso humano
• 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
Red neuronal artificial
Una de las misiones consiste en simular las propiedades observadas en
los sistemas neuronales biológicos que se caracterizan por su
generalización y su robustez.
Una red neuronal se compone de unidades llamadas neuronas. Cada
neurona recibe una serie de entradas a través de interconexiones y emite
una salida.
Respecto al Diseño y programación de una RNA,en un paradigma
convencional de programación se modela mediante un algoritmo
codificado que tenga una serie de propiedades que permitan resolver dicho
problema.
En RNA se parte de un conjunto de datos de entrada significativo y el
objetivo es conseguir que la red aprenda automáticamente las
propiedades. tiene más que ver con la selección del modelo de red, las
variables a incorporar , el conjunto de entrenamiento.
Red neuronal artificial ,ejemplo
Ejemplo 1: Diagnostico de Imágenes médicas
1) Durante la fase de entrenamiento el sistema recibe imágenes de
tejidos que se sabe (aprendizaje supervisado) son cancerígenos y
tejidos que se sabe son sanos
2) Una vez entrenado el sistema podrá recibir imágenes de tejidos no
clasificados y obtener su clasificación sano/no sano con un buen
grado de seguridad.
3) Las variables de entrada pueden ser :
a) los puntos individuales de cada imagen
b) un vector de características de las mismas que se puedan
incorporar al sistema :
i. procedencia anatómica del tejido de la imagen
ii. a edad del paciente al que se le extrajo la muestra
iii. Analisis clínicos adicionales
Ventajas
•
•
•
•
•
Aprendizaje: tienen la habilidad de aprender mediante una etapa de
aprendizajeconsistente en proporcionar a la RNA datos como entrada a su
vez que se le indica cuál es la salida (respuesta) esperada.
Auto organización: crea su propia representación de la información en su
interior. Sin necesidad de una “programación explicita” .
Tolerancia a fallos. Almacena la información de forma redundante, ésta
puede seguir respondiendo aceptablemente aún si se daña parcialmente.
Flexibilidad: puede manejar cambios no importantes en la información de
entrada, como señales con ruido u otros cambios en la entrada
por ejemplo si la información de entrada es la imagen de un objeto, la
respuesta correspondiente es acertada inclusio si la imagen tiene
parametros de luz ligeramente distintos o el objeto cambia ligeramente de
posición
Tiempo real: es paralela, si se implementa con con computadoras o en
dispositivos electrónicos que utilicen dicha paralelización se pueden obtener
respuestas en tiempo real , de la misma manera que el cerebro es capaz de
procesar cantidades ingentes de información en paralelo sin un esfuerzo
aparente:
–
–
–
Comprensión de imágenes
Comprensión de sonidos
Comprensión de parámetros tactiles, de calor y movimiento
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
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.
Continuacion
• Seguir a partir de :
• http://ohm.utp.edu.co/neuronales/Capitulo
2/Perceptron/ReglaP.htm