UNIVERSIDAD NACIONAL DE MOQUEGUA

Tema : REDES NEURONALES

Curso: Sistemas Expertos
INTEGRANTES: Diego Jos Quispe del Carpio Yony Mamani Fuentes Diego Armando Mamani Callomamani Alberth Pino Hurtado

ILO PERU 2013

INTRODUCCION

Antes de la aparicin de la computadora, el hombre ya se preguntaba si se le arrebatara el privilegio de razonar y pensar. En la actualidad existe un campo dentro de la inteligencia artificial al que se le atribuye esa facultad: el de los Sistemas expertos. Estos sistemas permiten la creacin de mquinas que razonan como el hombre, restringindose a un espacio de conocimientos limitado. En teora pueden razonar siguiendo pasos que seguira un experto humano (medico, analista, empresario, etc.) para resolver un problema concreto. Este tipo de modelos de conocimiento por ordenador ofrece un extenso campo de posibilidades en resolucin de problemas y en aprendizaje. Su uso extender ampliamente en el futuro, debido a su importante impacto sobre los negocios y la industria. Tambin se puede decir que existe en el hombre un deseo profundo de poder reproducir la habilidad cognoscitiva por medios artificiales. La fascinacin que la inteligencia como materia de estudio ha suscitado al gnero humano, puede verse reflejada en la aparicin de una rama integra del estudio cientfico llamada Inteligencia Artificial o tambin estudio de la inteligencia. Una de las mltiples ramas por las cuales se ha desarrollado la investigacin es el desarrollo de las llamadas Redes Neuronales. Una red neuronal es el intento de poder realizar una simulacin computacional del comportamiento de partes del cerebro humano mediante la rplica en pequea escala delos patrones que este desempea para la formacin de resultados a partir de los sucesos percibidos.

Redes Neuronales

HISTORIA 1936: Alan Turingdesarrolla teora de inteligencia y cerebro. 1943: W McCullochy W Pittsdesarrollan circuito elctrico anlogo a RN. 1949: D Hebbs; concepto de activacin matemtica y aprendizaje. 1957: F Rosemblatt: Desarrolla el perceptron( RN Lineal). 1960: B Widroffy M Hoff: Addalineaplicado a reduccin de eco. 1969 Minsky-Papert: Perceptronno es capaz de resolver problemas simples. 1974: P Werbos: Teora de retropropagacin. 1980: J Hopfield: Libro de redes neuronales y aplicaciones exitosas. 1984:Rumelhart-Hinton-Williams:Algoritmo de Retropropagacin codificado Computacionalmente (Inicio de aplicaciones en ingeniera y problemas prcticos). 1989: Hornik: RNFF son aproximadores universales.

Qu es una Red Neuronal? Una red neuronal o un circuito neuronal es un conjunto de conexiones sinpticas ordenadas que se produce como resultado de la unin de las neuronas a otras en sus regiones correspondientes tras la migracin neuronal. El crecimiento dirigido de los axones y el reconocimiento de las estructuras sinpticas est mediado por el cono de crecimiento, que es una especializacin en el extremo de cada axn en crecimiento. El cono de crecimiento detecta y responde a molculas de sealizacin que pueden ser de retraimiento, giro o continuacin, que identifican las vas correctas, prohben las incorrectas y facilitan la formacin de sinapsis. Adems hay factores de crecimiento que influyen en el crecimiento axnico y en la formacin de sinapsis, y regulan las cantidades apropiadas que debe haber entre los axones y las clulas.

Una de las teoras relacionales, que permiten la optimizacin del recurso de Hardware son las redes neuronales; dichos algoritmos pretenden, a partir de su similitud con el sistema nervioso y las conexiones entre las neuronas, optimizar el desarrollo de sistemas que impliquen el uso de dispositivos programables.

Neurona: base del funcionamiento del cerebro. Sistema de procesamiento cerebral de la informacin: Complejo, No lineal y Paralelo. Elementos de que consta: sinapsis, axn, dendritas y soma o cuerpo

Tipos de redes neuronales:

1. NEURONA BIOLGICA:

Una neurona es una clula formada por un rea engrosada que contiene el ncleo, una prolongacin larga llamada axn, y unas prolongaciones ms cortas llamadas dendritas El procesamiento de las seales nerviosas incluye dos tipos de fenmenos: elctricos y qumicos. El proceso elctrico propaga una seal en el interior de la neurona, y el proceso qumico trasmite la seal desde una neurona a otra.

2. RED NEURONAL ARTIFICIAL: Concepto: Las redes neuronales son estructuras de procesamiento paralelo, que estn inspiradas en el funcionamiento neurobiolgico humano, de esta forma pretenden emular sus capacidades de aprendizaje, clasificacin, reconocimiento, entre otras. Esto hace que ofrezcan numerosas ventajas y que este tipo de tecnologa se est aplicando en mltiples reas. Su unidad bsica de procesamiento es el nodo o neurona: Esta consiste fundamentalmente en una funcin matemtica arbitraria, cuya funcin es recopilar la informacin que recibe, procesar esta informacin y comunicarla a otros nodos.

La red se organiza a travs de capas de neuronas: Las cuales son conjuntos de neuronas cuyas entradas provienen dela misma fuente.

Estructura de una Red Neuronal Para disear una red neuronal es necesario definir su estructura externa y los parmetros internos que la caracterizan: ASPECTOS EXTERNOS Numero de capas. Numero de neuronas por capa. Tipo de conexin entre Neuronas.

Conexiones

Neuronas

Entrada Salida

Capas

Las seales neuronales pueden seguir una propagacin hacia delante (feedforward) a travs de las capas de la red, hacia atrs (feedback) o una combinacin de ambas.

ASPECTOS INTERNOS Funcin de Confluencia: Entrega una seal globalizada de todas las entradas, para esto pondera cada entrada a travs de un factor denominado centro de la red, el que valoriza la importancia de la conexin.

Funcin de Activacin :Es la funcin generadora de la salida de cada neurona, la cual se aplica a la confluencia.

Componentes de una Red Neuronal

1. LOS COMPONENTES BSICOS

a) FUNCIONES (3 de las 150 funciones reales) Evaluar seales de entrada determinando en peso de cada una. Calcula el total para cualquier combinacin de entradas y lo compara para cualquier nivel. Determina que salida debe realizar

b) ENTRADAS Y SALIDAS c) FACTOR PESO Cada Entrada puede tener un Peso relativo que afecta el impacto como entrada. Los Pesos son Coeficientes Adaptativos dentro de la red. Determinan la intensidad de la Entrada (Fuerza de la conexin). El Peso inicial para un PE puede ser modificado en funcin de las E y las propias reglas de modificacin de la red. La Entrada Total en un PE es el producto de dos vectores: , P2, P3 . . . Pn) E1 = e1 * P1 ; E2 = e1 * P1 etc (e1 , e 2, e 3 . . . e n) y (P1 Las E ingresan simultneamente al PE. De acuerdo a un umbral la neurona dispara o no una salida. Varias Entradas una sola Salida. Algunas Redes aceptan la inclusin de mecanismos para otras influencias distintas de las Entradas. Estos extra-inputs se llaman trminos de predisposicin o forzamiento. Incluye los de olvido para desaprender.

La Entrada Total es el escalar E1 + E2 . . .En. Donde: Si los vectores van en el mismo sentido el producto es el mximo. Si apuntan en sentidos opuestos el producto es mnimo.

d) FUNCIONES NEURONALES d.1) Funcin Sumatoria

Si eX * PX es mayor que el umbral entonces genera una seal de salida.

d.2) Funcin de Activacin

El resultado de la debera ingresar a una Funcin de Activacin antes que a una funcin de Transferencia. Esto permite variar la salida en funcin del tiempo y la experiencia

d.3) Funcin de Transferencia: El Umbral o Funcin de Transferencia es generalmente no lineal. Las funciones lineales son limitadas y no muy tiles (x or) para decidir si se prende una clula fotoelctrica. Las Funciones de Transferencia ms utilizadas son las escalonadas, en rampa o las sigmoideas. O las decisiones en base a lgica difusa.

e) COMBINANDO ELEMENTOS Pes

Si se combinan varios PEs da lugar a una capa. Las entradas se conectan a varios nodos (Pes) con distinto peso. La salida sigue por un nodo. Una Capa

f)

COMBINANDO CAPAS Se pueden interconectar varias capas. La capa que recibe las entradas se llama capa de entrada y su funcin es un buffer de inputs. La capa de salida genera los outputs. Entre una y otra puede haber n capas ocultas. Las interconexiones se ponderan por un peso asociado a cada conexin particular. Una red es full connected si para cada salida de una capa existe una conexin para cada nodo de la prxima capa.

g) OPCIONES DE CONECTIVIDAD
La conectividad alude a como las salidas pueden ser usadas como canales para ser entradas de otras neuronas:

1. Si la salida de un PE no puede ser entrada de un PE de la misma capa o de capas precedentes de llama feedforward. 2. Si una salida puede ser entrada de su misma capa o de capas precedentes se llama feedback. (Recursivas).

h) FILTROS

Las capas pueden actuar como filtros generando representaciones intermedias. Ej. La Matriz de puntos de la letra A (5 por 7). La salida activa una representacin ASCII 0100 0001

2. LOS MECANISMOS BSICOS DE APRENDIZAJE

La Funcin de Transferencia se establece en el diseo y no puede ser modificada durante la ejecucin (para cada PE). Cada PE puede ajustar su peso dinmicamente Cuando muchos PEs ajustan su peso colectivamente se dice que la red se ensambla inteligentemente. Esto se logra por medio de distintos mecanismos de Aprendizaje

MODOS Y RANGOS DE APRENDIZAJE

Los Modos aprendizajes pueden ser: 1. Supervisado: Con un tutor que REFUERZA hasta congelar los pesos. 2. No supervisado: Aprende de detectar regularidades. Los Rangos de aprendizaje pueden ser: 1. Rpido: Poco training Discriminacin baja. 2. Lento: Mucho training (off line) Discriminacin fina. El rango es una medida de CONVERGENCIA de la red

TCNICAS DE ENTRENAMIENTO Las Redes Aprenden la relacin entre Entradas y Salidas mirando ejemplos de varias Entradas y Salidas. La habilidad para determinar cmo procesar los datos de entrada se llama autoorganizacin. El proceso por el cual lo logran se denomina adaptacin o aprendizaje

3.Qu podemos hacer con Redes Neuronales? Aplicaciones

Reconocimiento de Caracteres: El reconocimiento de caracteres es cada vez ms importante en nuestra sociedad. Los dispositivos manuales como la Palm Pilot son cada vez ms populares. Las redes neuronales se pueden utilizar para reconocer caracteres manuscritos. Medicina: Una de las reas que ha ganado la atencin es el diagnstico cardiopulmonar. Un paciente puede tener chequeos regulares en un rea particular, aumentando la posibilidad de detectar una enfermedad o una disfuncin. Los datos pueden incluir ritmo cardaco, la presin arterial, el ritmo respiratorio, etc. Los modelos pueden incluir variaciones de edad, sexo y actividad fsica. Los datos de cada individuo se comparan con los datos anteriores y/o a los datos de los varios modelos genricos. Las desviaciones de la norma se comparan a las causas sabidas de las desviaciones para cada dolencia. La red neuronal puede aprender estudiando las diversas condiciones y modelos, combinndolos para formar un cuadro conceptual completo y despus diagnostica la condicin de un paciente basada sobre los modelos.

Compresin de imagen: La redes neuronales pueden recibir y procesar extensas cantidades de informacin inmediatamente, hacindolas tiles en la compresin de imagen. Con la explosin del Internet y ms sitios usando ms imgenes en sus sitios, las redes son una alternativa eficaz.

GRUPO 04

Redes Neuronales Qu es una Red Neuronal?. Componentes de una Red Neuronal. Desarrollo de una Red

Neuronal. Construccin de bloques de alimentacin adelantada.

Diseo de sistemas basados en redes neuronales. Identificacin y control de sistemas no lineales. Aplicaciones. Diseo y desarrollo de sistemas (proyectos) usando redes neuronales en aplicaciones empresariales e industriales usando Matlab.