Download Redes neuronales y neurona artificial.

Integrantes: Felipe Eduardo Guiñez Araneda
Mariano Alejandro Román Rozas
Camilo Fernando Ríos Verdugo
Ricardo José Muñoz Duarte
Claudio Alexis Meza Vega
Profesora: Patricia Mellado Acevedo
Fecha: lunes 07/06/2010
2
Índice
Página 3: Introducción, antecedentes históricos
Página 4: Redes neuronales y neurona artificial.
Página 6: Aprendizaje de las redes neuronales
Página 7: Ventajas al usar RNA
Página 9: aplicaciones de las RNA
Página 11: conclusión
Página 12: bibliografía
3
Introducción
Desde el principio de la humanidad se soñó con el desarrollo de máquinas que
puedan imitar la capacidad de aprendizaje del hombre. Actualmente es un desafío
en el que pone todas sus miradas una parte de la comunidad científica.
Desde hace algunos años, algunos investigadores han estado creando modelos,
tanto en hardware como en software, que interpretan la actividad cerebral en un
esfuerzo por producir una forma de inteligencia artificial.
Una neurona es una célula especializada en la comunicación de información. Es la
unidad funcional básica del cerebro y del sistema nervioso
La unidad de procesamiento artificial equivalente a una neurona biológica intenta
imitar los aspectos de esta en cuanto a su comportamiento y funcionamiento. De
este modo se disponen de unas entradas y salidas, como en las neuronas
biológicas, que transmitirán valores, bien reales o binarios de una neurona a otra,
en vez de señales electroquímicas.
Antecedentes Históricos
En 1943, Warren McCulloc y Walter Pitts originaron el primer modelo de operación
neuronal, el cual fue mejorado en sus aspectos biológicos por Donald Hebb en
1948.
En 1949 Donald Hebb regla aprendizaje.
En 1962 Bernard Widrow propuso la regla de aprendizaje Widrow-Hoff, y Frank
Rosenblatt desarrolló una prueba de convergencia, y definió el rango de
problemas para los que su algoritmo aseguraba una solución. El propuso los
'Perceptrons' como herramienta computacional.
4
Las redes Neuronales
Las redes neuronales no son más que un modelo artificial y simplificado del
cerebro humano, que es el ejemplo más perfecto del que disponemos para un
sistema que es capaz de adquirir conocimiento a través de la experiencia. Una red
neuronal es "un nuevo sistema para el tratamiento de la información, cuya unidad
básica de procesamiento está inspirada en la célula fundamental del sistema
nervioso humano: la neurona".
La Neurona Artificial
Si se tienen N neuronas, podemos ordenarlas arbitrariamente y designarlas como
unidades. Su trabajo es simple y único, y consiste en recibir las entradas de las
células vecinas y calcular un valor de salida, el cual es enviado a todas las células
restantes.
Imagen : Neurona Artificial
Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas
provienen de la misma fuente (que puede ser otra capa de neuronas) y cuyas
salidas se dirigen al mismo destino (que puede ser otra capa de neuronas). De
esta manera podemos destacar tres tipos de unidades:
5

Las unidades de entrada reciben señales desde el entorno (son señales
que proceden de sensores o de otros sectores del sistema).

Las unidades de salida envían la señal fuera del sistema (son señales que
pueden controlar directamente potencias u otros sistemas). Las neuronas
de las capas ocultas pueden estar interconectadas de distinta manera, lo
que determina con su número, las distintas tipologías de redes neuronales.

Las unidades ocultas son aquellas cuyas entradas y salidas se encuentran
dentro del sistema (son señales que no tienen contacto con el exterior).
Las RNA están compuestas de un gran número elementos de procesamiento
altamente interconectados (Neuronas) trabajando al mismo tiempo para la
solución de problemas específicos. Las RNA, tal como las personas, aprenden de
la experiencia.
En cualquier caso, se trata de una nueva forma de computación que es capaz
de manejar las imprecisiones e incertidumbres que aparecen cuando se trata de
resolver problemas relacionados con el mundo real (reconocimiento de formas,
toma de decisiones ,etc..), ofreciendo soluciones robustas y de fácil
implementación.
6
Una red neuronal artificial (RNA) es un sistema de procesamiento de
información que tiene ciertas aptitudes en común con las redes neuronales
biológicas:
– El procesamiento de información ocurre en muchos elementos simples
llamados neuronas.
– Las señales son transferidas entre neuronas a través de enlaces de
conexión.
– Cada conexión tiene un peso asociado, el cual, típicamente, multiplica a la
señal transmitida.
– Cada neurona aplica una función de activación (usualmente no lineal) a
su entrada de red (suma de entradas pesadas) para determinar su salida
Aprendizaje de las redes neuronales
El aprendizaje de las redes neuronales, es el proceso de presentar los
patrones a aprender, a la red y el cambio de los pesos de las conexiones
sinápticas usando una regla de aprendizaje.
La regla de aprendizaje consiste en algoritmos basados en formulas
matemáticas, que usando técnicas como minimización del error o la optimización
de alguna "función de energía", modifican el valor de los pesos sinápticos en
función de las entradas disponibles y con ello optimizan la respuesta de la red a
las salidas que deseamos.
El aprendizaje se basa en el entrenamiento de la red con patrones, que
usualmente son llamados patrones de muestra o entrenamiento. El proceso usual
del algoritmo es que la red ejecuta los patrones iterativamente, cambiando los
pesos de las sinapsis, hasta que convergen a un conjunto de pesos óptimos que
representan a los patrones lo suficientemente bien, entonces mostrará una
respuesta satisfactoria para esos patrones. Esto es, sus pesos sinápticos se
ajustan para dar respuestas correctas al conjunto de patrones de entrenamiento
que le hemos mostrado.
7
Ventajas al usar RNA
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que
están basadas en la estructura del sistema nervioso, principalmente el cerebro.

Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa
que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA
datos como entrada a su vez que se le indica cuál es la salida (respuesta)
esperada.

Auto organización: Una RNA crea su propia representación de la
información en su interior, descargando al usuario de esto.

Tolerancia a fallos: Debido a que una RNA almacena la información de
forma redundante, ésta puede seguir respondiendo de manera aceptable
aun si se daña parcialmente.

Flexibilidad: Una RNA puede manejar cambios no importantes en la
información de entrada, como señales con ruido u otros cambios en la
entrada (ej. si la información de entrada es la imagen de un objeto, la
respuesta correspondiente no sufre cambios si la imagen cambia un poco
su brillo o el objeto cambia ligeramente)

Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es
implementado con computadoras o en dispositivos electrónicos especiales,
se pueden obtener respuestas en tiempo real.
La posibilidad de resolver problemas difíciles es dable gracias a los principios
de las redes neuronales, los cinco más importantes son:
8
Aprendizaje adaptativo: Esta es quizás la característica más importante de
las redes neuronales, pueden comportarse en función de un entrenamiento con
una serie de ejemplos ilustrativos. De esta forma, no es necesario elaborar un
modelo a priori, ni establecer funciones probabilísticas. Una red neuronal artificial
es adaptativa porque puede modificarse constantemente con el fin de adaptarse a
nuevas condiciones de trabajo.
Auto organización: Mientras que el aprendizaje es un proceso donde se modifica
la información interna de la red neuronal artificial, la auto organización consiste en
la modificación de la red completa con el fin de llevar a cabo un objetivo
específico.
Auto organización significa generalización, de esta forma una red puede responder
a datos o situaciones que no ha experimentado antes, pero que puede inferir
sobre la base de su entrenamiento. Esta característica es muy útil sobre todo
cuando la información de entrada es poco clara o se encuentra incompleta.
Tolerancia a fallos: En la computación tradicional la pérdida de un fragmento
pequeño de información puede acarrear comúnmente la inutilización del sistema.
Las redes neuronales artificiales poseen una alta capacidad de tolerancia a fallos.
Se entiende por ello que las redes pueden reconocer patrones de información con
ruido, distorsión o incompletos, pero que, además, pueden seguir trabajando
aunque se destruya parte de la red (con cierta degradación). La explicación de
este fenómeno se encuentra en que mientras la computación tradicional almacena
la información en espacios únicos, localizados y direccionables, las redes
neuronales lo hacen de forma distribuida y con un alto grado de redundancia.
Operación en tiempo real: Las redes neuronales artificiales, de todos los
métodos existentes, son las más indicadas para el reconocimiento de patrones en
tiempo real, debido a que trabajan en paralelo actualizando todas sus instancias
simultáneamente. Es importante destacar que esta característica solo se aprecia
cuando se implementan redes con hardware especialmente diseñados para el
procesamiento paralelo.
Fácil inserción en la tecnología existente: Es relativamente sencillo obtener
chips especializados para redes neuronales que mejoran su capacidad en ciertas
tareas. Ello facilita la integración modular en los sistemas existentes.
Existe una gran variedad de modelos de redes neuronales estos dependen del
objetivo para el cual fueron diseñados y del problema práctico que solucionan. Hoy
en día, su éxito depende en, gran medida, del valor comercial que logren alcanzar
9
sus aplicaciones. En dependencia de ello unos serán más populares que otros,
entre los más conocidos están el Adaline/Madaline (utilizado en el diseño y
realización de filtros, para llevar a cabo la eliminación del ruido en señales
portadoras de información, modems, etc.), el back propagation (utilizado en el
proyecto de la máquina de escribir neural fonética) y el modelo de los mapas autoorganizados (Self-Organizing Map, SOM).
Aplicaciones de las Redes Neuronales
Los campos de aplicación de las RNA crecen por momentos, por ejemplo,
reconocimiento de patrones, clasificación de datos, predicciones,... Su ventaja
más destacada es la de solucionar problemas que con las técnicas
convencionales serían demasiado complejos.
Hay muchos tipos diferentes de redes neuronales, cada uno de los cuales tiene un
aplicación particular más apropiada. Separándolas según las distintas disciplinas
algunos ejemplos de sus aplicaciones son:
Biología:


Aprender más acerca del cerebro y otros sistemas.
Obtención de modelos de la retina.
Empresa:






Reconocimiento de caracteres escritos.
Identificación de candidatos para posiciones específicas.
Optimización de plazas y horarios en líneas de vuelo.
Explotación de bases de datos.
Evaluación de probabilidad de formaciones geológicas y petrolíferas.
Síntesis de voz desde texto.
10
Medio Ambiente:


Analizar tendencias y patrones.
Previsión del tiempo.
Finanzas:




Previsión de la evolución de los precios.
Valoración del riesgo de los créditos.
Identificación de falsificaciones.
Interpretación de firmas.
Manufacturación:




Robots automatizados y sistemas de control (visión artificial y sensores de
presión, temperatura, gas, etc.)
Control de producción en líneas de proceso.
Inspección de calidad.
Filtrado de señales.
Medicina:






Analizadores del habla para la ayuda de audición de sordos profundos.
Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos
(encefalograma, etc.).
Monitorización en cirugía.
Predicción de reacciones adversas a los medicamentos.
Lectoras de Rayos X.
Entendimiento de causa de ataques epilépticos.
Militares:



Clasificación de las señales de radar .
Creación de armas inteligentes.
Optimización del uso de recursos escasos.
11
Conclusiones
En este informe se ha realizado una descripción de las redes neuronales
desde su unidad básica la neurona artificial, nombrando sus características y
funcionamiento. Además se han presentado aplicaciones prácticas y además
ventajas que tienen las redes neuronales para la solución de problemas.
Esta área científica es de trabajo multidisciplinar y de dinámico desarrollo,
que empieza a configurarse como de gran interés para la resolución de problemas
prácticos del mundo real.
12
Bibliografía:
http://www.monografias.com/trabajos12/redneuro/redneuro.shtml
http://html.rincondelvago.com/redes-neuronales-artificiales.html
http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/que-son-lasredes-neuronales.htm