Redes Neuronales Artificiales

¿Que son las Redes Neuronales Artificiales?

Las redes neuronales artificiales son sistemas paralelos para el procesamiento de la información, éstas tratan de resolver en forma eficiente problemas y a su vez representar el conocimiento de un modo conexionista y adaptativo. Se denomina también neuro computación y se compone de capas agrupadas en donde varias redes más los interfaces del entorno conforman el sistema global denominado red neuronal que está confeccionado y entrenado para llevar a cabo una labor específica.

¿Como se origina la idea de este sistema?

Alan Turing, en 1936, fue el primero en estudiar el cerebro como una forma de ver el mundo de la computación

=

Entonces Nace la IDEA

Funcionamiento básico

Neurona Artificial:

Grupo de entradas (x) Pesos sinápticos (w) Función suma (net) Función de activación (act) Una única salida (y) Funcionamiento en modo aprendizaje o

ejecución

Tipos de Redes Neuronales

Red simple: Esta red tiene M entradas y N neuronas, cada una de las M entradas está conectada a las N neuronas, las neuronas no están conectadas entre sí, y se limitan a calcular una respuesta para las entradas. La salida de la redes un vector de N componentes.

Red con elementos de asociación: Como un complemento de la red simple, se puede agregar unas unidades de asociación en las cuales se combinan las entradas, y los resultados de las combinaciones son las entradas de las neuronas, las cuales calculan la salida de la red.

Redes multicapas: En este modelo de red neuronal se agrupan las neuronas o unidades de procesamiento en capas, lo que le brinda gran poder y robustez. La capa de entrada esta conformada por tantas neuronas como entradas tenga el sistema, la capa salida así mismo tiene tantas neuronas como salidas se espere que tenga el sistema, pero la capa oculta no tiene un número fijo de capas o neuronas.

Modelo interactivo: Se tiene un conjunto de N neuronas que se conectan todas entre sí, es decir todas las unidades sirven como unidades de entrada y como neuronas para calcular la salida. Cada una de las unidades es alimentada con una entrada y se recalculan los valores de la entrada hasta que el sistema llegue a un estado estable.

Salida

PRINCIPALES TIPOS DE REDES NEURONALES

• PERCEPTRON• ADALINE• BACKPROPAGATION• APRENDIZAJE ASOCIATIVO

• PERCEPTRON

Esta consistía en una suma de las señales de entrada, multiplicadas por unos valores de pesos escogidos aleatoriamente. La entrada es comparada con un patrón pre establecido para determinar la salida de la red. Si en la comparación, la suma de las entradas multiplicadas por los pesos es mayor o igual que el patrón pre establecido la salida de la red es uno (1), en caso contrario la salida es cero (0).

• ADALINE

La red Adaline es similar al Perceptrón, excepto en su función de transferencia, la cual es una función de tipo lineal en lugar de un limitador fuerte como en el caso del Perceptrón. Sin embargo el algoritmo LMS es más potente que la regla de aprendizaje del Perceptrón ya que minimiza el error medio cuadrático.

• BACKPROPAGATION

Estas redes tienen la desventaja que solo pueden resolver problemas linealmente separables, fue esto lo que llevo al surgimiento de las redes multicapa para sobrepasar esta dificultad en las redes hasta entonces conocidas. La Backpropagation es un tipo de red de aprendizaje supervisado, que emplea un ciclo propagación - adaptación de dos fases. Una vez que se ha aplicado un patrón a la entrada de la red como estímulo, este se propaga desde la primera capa a través de las capas superiores de la red, hasta generar una salida. La señal de salida se compara con la salida deseada y se calcula una señal de error para cada una de las salidas.

APRENDIZAJE ASOCIATIVO

no requieren influencia externa para ajustar los pesos de las conexiones entre sus neuronas, la red no recibe ninguna información por parte del entorno que le indique si la salida generada en respuesta a una determinada entrada es o no correcta, por ello suele decirse que estas redes son capaces de auto organizarse.

Aplicaciones

Sistemas y diseños Probabilisticos

Predicción del Tiempo y clima

Aplicaciones Microsoft Office Excel

Cálculos de ΔH, ΔS, llama Adiabática

PYTHIA: Editor y Creador de Redes Neuronales

Composición química del acero (% en peso)

Propiedades mecánicas del acero

Características técnicas del equipo de soldadura

Redes Neuronales Aplicadas en Soldaduras

Oscilograma de ultrasonidos de una soldadura fría.

Macrografía de la sección transversal de una soldadura fría.

Oscilograma de ultrasonidos de una falta de soldadura.

Macrografía de la sección transversal de una falta de soldadura.

Curvas MSE de entrenamiento y MSE de validación-número de neuronas en las capas ocultas.

Determinación del número de neuronas en lascapas ocultas de la RNA

Otras Aplicaciones de las Redes Neuronales

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. Medio Ambiente:  Analizar tendencias y patrones. Previsión del tiempo.

Finanzas:  Previsión de la evolución de los precios. Valoración del riesgo de los créditos. 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). 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

Gracias por su ATENCIÓN