rna(2005-ii).pdf

ING. EN SISTEMAS COMPUTACIONES

TEMA A EXPONER: REDES NEURONALES

Ing. Bruno Lpez Takeyas

ALUMNOS:

Jess Martn Buentello Vargas Oscar de Luna Quezada

Jess Antonio Galindo Palacios Daniel Villanueva Cisneros Guillermo Medina Martnez

FECHA MIERCOLES 24 DE AGOSTO DEL 2005

REDES NEURONALES TEMA 2 2

CONTENIDO

INTRODUCCION 3 HISTORIA 4 MODELOS 7 CONTRUCCION DE MODELOS ..8 CARACTERISTICAS .12 VENTAJAS ...14 CLASIFICACION 15 DISEO Y PROGRAMACION .16 ESTRUCTURA 17 APLICACIONES .18


INTRODUCCION A LAS REDES NEURONALES El hombre se ha caracterizado siempre por una bsqueda constante de nuevas vas para mejorar sus condiciones de vida. Estos esfuerzos le han servido para reducir el trabajo en aquellas operaciones en las que la fuerza juega un papel primordial. Los progresos obtenidos han permitido dirigir estos esfuerzos a otros campos, como por ejemplo, a la construccin de mquinas calculadoras que ayuden a resolver de forma automtica y rpida determinadas operaciones que resultan tediosas cuando se realizan a mano.

Uno de los primeros en acometer esta empresa fue Charles Babbage, quien trat infructuosamente de construir una mquina capaz de resolver problemas matemticos. Posteriormente otros tantos intentaron construir mquinas similares, pero no fue hasta la Segunda Guerra Mundial, cuando ya se dispona de instrumentos electrnicos, que se empezaron a recoger los primeros frutos. En 1946 se construy la primera computadora electrnica, ENIAC. Desde entonces los desarrollos en este campo han tenido un auge espectacular.

Estas mquinas permiten implementar fcilmente algoritmos para resolver multitud de problemas que antes resultaban engorrosos de resolver. Sin embargo, se observa una limitacin importante: qu ocurre cuando el problema que se quiere resolver no admite un tratamiento algortmico, como es el caso, por ejemplo, de la clasificacin de objetos por rasgos comunes?. Este ejemplo demuestra que la construccin de nuevas mquinas ms verstiles requiere un enfoque del problema desde otro punto de vista. Los desarrollos actuales de los cientficos se dirigen al estudio de las capacidades humanas como una fuente de nuevas ideas para el diseo de las nuevas mquinas. As, la inteligencia artificial es un intento por descubrir y describir aspectos de la inteligencia humana que pueden ser simulados mediante mquinas. Esta disciplina se ha desarrollado fuertemente en los ltimos aos teniendo aplicacin en algunos campos como visin artificial, demostracin de teoremas, procesamiento de informacin expresada mediante lenguajes humanos... etc.

Las redes neuronales son otra forma de emular otra de las caractersticas propias de los humanos: la capacidad de memorizar y asociar hechos. Si examinamos con atencin aquellos problemas que no pueden expresarse a travs de un algoritmo nos daremos cuenta de que todos ellos tienen una caracterstica comn: la experiencia. El hombre es capaz de resolver estas situaciones acudiendo a la experiencia acumulada. As, parece claro que una forma de aproximarse al problema consista en la construccin de sistemas que sean capaces de reproducir esta caracterstica humana. En definitiva, las redes neuronales no son ms que un modelo artificial y simplificado del cerebro humano, que es el ejemplo ms perfecto del que disponemos de sistema que es capaz de adquirir conocimiento a travs de la experiencia. Una red neuronal es un nuevo sistema para el tratamiento de la informacin cuya unidad bsica de procesamiento est inspirada en la clula fundamental del sistema nervioso humano, la neurona.


HISTORIA DE LAS REDES NEURONALES Conseguir disear y construir mquinas capaces de realizar procesos con cierta

inteligencia ha sido uno de los principales objetivos de los cientficos a lo largo de la historia. De los intentos realizados en este sentido se han llegado a definir las lneas fundamentales para la obtencin de mquinas inteligentes: En un principio los esfuerzos estuvieron dirigidos a la obtencin de autmatas, en el sentido de mquinas que realizaran, con ms o menos xito, alguna funcin tpica de los seres humanos. Hoy en da se contina estudiando en sta misma lnea, con resultados sorprendentes, existen maneras de realizar procesos similares a los inteligentes y que podemos encuadrar dentro de la llamada Inteligencia Artificial (IA).

A pesar de disponer de herramientas y lenguajes de programacin diseados expresamente para el desarrollo de mquinas inteligentes, existe un enorme problema que limita los resultados que se pueden obtener: estas mquinas se implementan sobre computadoras basadas en la filosofa de Von Neumann, y que se apoyan en una descripcin secuencial del proceso de tratamiento de la informacin. Si bien el desarrollo de estas computadoras es espectacular, no deja de seguir la lnea antes expuesta: una mquina que es capaz de realizar tareas mecnicas de forma increblemente rpida, como por ejemplo clculo, ordenacin o control, pero incapaz de obtener resultados aceptables cuando se trata de tareas como reconocimiento de formas, voz, etc. La otra lnea de la investigacin ha tratado de aplicar principios fsicos que rigen en la naturaleza para obtener mquinas que realicen trabajos pesados en nuestro lugar. De igual manera se puede pensar respecto a la forma y capacidad de razonamiento humano; se puede intentar obtener mquinas con esta capacidad basadas en el mismo principio de funcionamiento. No se trata de construir mquinas que compitan con los seres humanos, sino que realicen ciertas tareas de rango intelectual con que ayudarle, principio bsico de la Inteligencia Artificial. Las primeras explicaciones tericas sobre el cerebro y el pensamiento ya fueron dadas ya por Platn (427-347 a.C.) y Aristteles (348-422 a.C.). Las mismas ideas tambin las mantuvo Descartes (1569-1650) y los filsofos empiristas del siglo XVIII. La clase de las llamadas mquinas cibernticas, a la cual la computacin neuronal pertenece, tiene ms historia de la que se cree: Hern (100 a.C) construy un autmata hidrulico. 1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el mundo de la computacin. Sin embargo, los primeros tericos que concibieron los fundamentos de la computacin neuronal fueron Warren McCulloch, un neurofisilogo, y Walter Pitts, un matemtico, quienes, en 1943, lanzaron una teora acerca de la forma de trabajar de las neuronas (Un Clculo Lgico de la Inminente Idea de la Actividad Nerviosa - Boletn de Matemtica Biofsica 5: 115-133). Ellos modelaron una red neuronal simple mediante circuitos elctricos. 1949 - Donald Hebb. Escribi un importante libro: La organizacin del comportamiento, en el que se establece una conexin entre psicologa y fisiologa. Fue el primero en explicar los procesos del aprendizaje (que es el elemento bsico de la inteligencia humana) desde un punto de vista psicolgico, desarrollando una regla de como el aprendizaje ocurra. Aun hoy, este es el fundamento de la mayora de las funciones de aprendizaje que pueden hallarse en una red neuronal. Su idea fue que el aprendizaje ocurra cuando ciertos cambios en una neurona eran activados. Tambin intent encontrar semejanzas entre el aprendizaje y la actividad nerviosa. Los trabajos de Hebb formaron las bases de la Teora de las Redes Neuronales.


1950 - Karl Lashley. En sus series de ensayos, encontr que la informacin no era almacenada en forma centralizada en el cerebro sino que era distribuida encima de l. 1956 - Congreso de Dartmouth. Este Congreso frecuentemente se menciona para indicar el nacimiento de la inteligencia artificial. 1957 - Frank Rosenblatt. Comenz el desarrollo del Perceptrn. Esta es la red neuronal ms antigua; utilizndose hoy en da para aplicacin como reconocedor de patrones. Este modelo era capaz de generalizar, es decir, despus de haber aprendido una serie de patrones poda reconocer otros similares, aunque no se le hubiesen presentado anteriormente. Sin embargo, tena una serie de limitaciones, por ejemplo, su incapacidad para resolver el problema de la funcin OR-exclusiva y, en general, era incapaz de clasificar clases no separables linealmente. En 1959, escribi el libro Principios de Neurodinmica, en el que confirm que, bajo ciertas condiciones, el aprendizaje del Perceptrn converga hacia un estado finito (Teorema de Convergencia del Perceptrn). 1960 - Bernard Widrow/Marcial Hoff. Desarrollaron el modelo Adaline (ADAptative LINear Elements). Esta fue la primera red neuronal aplicada a un problema real (filtros adaptativos para eliminar ecos en las lneas telefnicas) que se ha utilizado comercialmente durante varias dcadas. 1961 - Karl Steinbeck: Die Lernmatrix. Red neuronal para simples realizaciones tcnicas (memoria asociativa). 1967 - Stephen Grossberg. A partir de sus conocimientos fisiolgicos, ha escrito numerosos libros y desarrollado modelo de redes neuronales. Realiz una red: Avalancha, que consista en elementos discretos con actividad que vara en el tiempo que satisface ecuaciones diferenciales continuas, para resolver actividades como reconocimiento continuo de habla y aprendizaje de los brazos de un robot. 1969 - Marvin Minsky/Seymour Papert. En este ao surgieron crticas que frenaron, hasta 1982, el crecimiento que estaban experimentando las investigaciones sobre redes neuronales. Minsky y Papera, del Instituto Tecnolgico de Massachussets (MIT), publicaron un libro Perceptrons. Probaron (matemticamente) que el Perceptrn no era capaz de resolver problemas relativamente fciles, tales como el aprendizaje de una funcin no-lineal. Esto demostr que el Perceptrn era muy dbil, dado que las funciones no-lineales son extensamente empleadas en computacin y en los problemas del mundo real. A pesar del libro, algunos investigadores continuaron su trabajo. Tal fue el caso de James Anderson, que desarroll un modelo lineal, llamado Asociador Lineal, que consista en unos elementos integradores lineales (neuronas) que sumaban sus entradas. Este modelo se basa en el principio de que las conexiones entre neuronas son reforzadas cada vez que son activadas. Anderson dise una potente extensin del Asociador Lineal, llamada Brain State in a Box (BSB). 1974 - Paul Werbos. Desarroll la idea bsica del algoritmo de aprendizaje de propagacin hacia atrs (backpropagation); cuyo significado qued definitivamente aclarado en 1985. 1977 - Stephen Grossberg. Teora de Resonancia Adaptada (TRA). La Teora de Resonancia Adaptada es una arquitectura de red que se diferencia de todas las dems previamente inventadas. La misma simula otras habilidades del cerebro: memoria a largo y corto plazo. 1977 - Teuvo Kohonen. Ingeniero electrnico de la Universidad de Helsinki, desarroll un modelo similar al de Anderson, pero independientemente. 1980 - Kunihiko Fukushima. Desarroll un modelo neuronal para el reconocimiento de patrones visuales..


1985 - John Hopfield. Provoc el renacimiento de las redes neuronales con su libro: Computacin neuronal de decisiones en problemas de optimizacin. 1986 - David Rumelhart/G. Hinton. Redescubrieron el algoritmo de aprendizaje de propagacin hacia atrs (backpropagation). A partir de 1986, el panorama fue alentador con respecto a las investigaciones y el desarrollo de las redes neuronales. En la actualidad, son numerosos los trabajos que se realizan y publican cada ao, las aplicaciones nuevas que surgen (sobretodo en el rea de control) y las empresas que lanzan al mercado productos nuevos, tanto hardware como software (sobre todo para simulacin). Actualmente, son numerosos los trabajos que se realizan y se publican, las aplicaciones nuevas que surgen y las empresas que lanzan al mercado productos nuevos, tanto hardware como software, sobre todo para simulacin. Definiciones de una red neuronal Existen numerosas formas de definir a las redes neuronales; desde las definiciones cortas y genricas hasta las que intentan explicar ms detalladamente qu son las redes neuronales. Por ejemplo: 1) Una nueva forma de computacin, inspirada en modelos biolgicos. 2) Un modelo matemtico compuesto por un gran nmero de elementos procesales organizados en niveles. 3) Un sistema de computacin compuesto por un gran nmero de elementos simples, elementos de procesos muy interconectados, los cuales procesan informacin por medio de su estado dinmico como respuesta a entradas externas. 4) Redes neuronales artificiales son redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organizacin jerrquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biolgico.


MODELOS DE REDES NEURONALES

En qu se diferencian unas redes neuronales de otras?

En primer lugar hay que distinguir entre modelos neuronales -la forma- y algoritmos neuronales -cmo aprenden-.

Los modelos neuronales

Los modelos neuronales son similares o incluso en muchos casos idnticos a otros modelos matemticos bien conocidos. Se suelen representar mediante grafos, llamados en este contexto neuronas artificiales. Cada neurona realiza una funcin matemtica. Las neuronas se agrupan en capas, constituyendo una red neuronal. Una determinada red neuronal est confeccionada y entrenada para llevar a cabo una labor especfica. Finalmente, una o varias redes, ms los interfaces con el entorno, conforman el sistema global.

Varios modelos

Los modelos neuronales se diferencian en la funcin que incorpora la neurona, su organizacin y forma de las conexiones. Sarle (1994) compara los modelos neuronales con los modelos estadsticos ms convencionales, encontrando que la mayora de los modelos neuronales tienen un equivalente tradicional, y que frecuentemente los cientficos del campo de las redes neuronales reinventan modelos ya existentes.

ALGORITMOS

Qu hacen los algoritmos ?

Los modelos neuronales utilizan varios algoritmos de estimacin, aprendizaje o entrenamiento para encontrar los valores de los parmetros del modelo, que en la jerga de las redes neuronales se denominan pesos sinpticos.


CONSTRUCCIN DE MODELOS Pasos a seguir:

Obtencin de la Base de Datos Reunir los datos de entrenamiento y de Test

Preprocesamiento de los datos

Datos aislados, datos incompletos, etc Extraccin de caractersticas

Diseo de la red neuronal Definir la arquitectura de la red Definir el entrenamiento Definicin del entrenamiento de la Red Validacin del modelo neuronal Utilizacin real del sistema

ARQUITECTURAS MS USUALES

Arquitectura en capas

- Perceptrn - Perceptrn Multicapa

Arquitectura recurrente - Redes de Hopfield - Redes ART

Arquitecturas mixtas - Redes BAM


EL PERCEPTRN El perceptrn es la red neuronal ms simple Posee una sola capa con tantas neuronas como salidas sean precisas Cada neurona con tantas entradas como la dimensin del patrn de entrada La funcin de activacin es la f. umbral La entrada neta se calcula como la suma de las entradas ponderada por los pesos


El perceptrn multicapa

Red neuronal artificial con n neuronas de entrada, m neuronas en su capa oculta y una neurona de salida.

LA RED DE HOPFIELD (HOP)

Una red de Hopfield utiliza un conjunto de neuronas interconectadas Actualizan sus valores de activacin de una forma sncrona o asncrona


MEMORIAS ASOCIATIVAS (BAM)

BAM = Bidirectional Associative Memory La BAM posee las siguientes propiedades: Una capa de entrada y una capa de salida No contiene neuronas ocultas Las conexiones son bidireccionales


Caractersticas de las Redes Neuronales

Existen cuatro aspectos que caracterizan una red neuronal: su topologa, el mecanismo de aprendizaje, tipo de asociacin realizada entre la informacin de entrada y salida, y la forma de representacin de estas informaciones.

Topologa de las Redes Neuronales.

La arquitectura de las redes neuronales consiste en la organizacin y disposicin de las neuronas formando capas ms o menos alejadas de la entrada y salida de la red. En este sentido, los parmetros fundamentales de la red son: el nmero de capas, el nmero de neuronas por capa, el grado de conectividad y el tipo de conexiones entre neuronas.

Redes Monocapa: Se establecen conexiones laterales, cruzadas o auto recurrentes entre las neuronas que pertenecen a la nica capa que constituye la red. Se utilizan en tareas relacionadas con lo que se conoce como auto asociacin; por ejemplo, para generar informaciones de entrada que se presentan a la red incompleta o distorsionada.

Redes Multicapa: Son aquellas que disponen de conjuntos de neuronas agrupadas en varios niveles o capas. Una forma de distinguir la capa a la que pertenece la neurona, consiste en fijarse en el origen de las seales que recibe a la entrada y el destino de la seal de salida.

Mecanismo de Aprendizaje.

El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una informacin de entrada. Los cambios que se producen durante el proceso de aprendizaje se reducen a la destruccin, modificacin y creacin de conexiones entre las neuronas, la creacin de una nueva conexin implica que el peso de la misma pasa a tener un valor distinto de cero, una conexin se destruye cuando su peso pasa a ser cero.

Redes con Aprendizaje Supervisado. El proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina la respuesta que debera generar la red a partir de una entrada determinada. El supervisor comprueba la salida de la red y en el caso de que sta no coincida con la deseada, se proceder a modificar los pesos de las conexiones, con el fin de conseguir que la salida se aproxime a la deseada.

Se consideran tres formas de llevar a cabo este tipo de aprendizaje:

Aprendizaje por correccin de error: Consiste en ajustar los pesos en funcin de la diferencia entre los valores deseados y los obtenidos en la salida de la red; es decir, en funcin del error.

Aprendizaje por refuerzo: Se basa en la idea de no indicar durante el entrenamiento exactamente la salida que se desea que proporcione la red ante una determinada entrada. La funcin del supervisor se reduce a indicar mediante una seal de refuerzo


si la salida obtenida en la red se ajusta a la deseada (xito=+1 o fracaso=-1), y en funcin de ello se ajustan los pesos basndose en un mecanismo de probabilidades.

Aprendizaje estocstico: Este tipo de aprendizaje consiste bsicamente en realizar cambios aleatorios en los valores de los pesos de las conexiones de la red y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidad.

Redes con Aprendizaje No Supervisado. Estas redes no requieren influencia externa para ajustar los pesos de las conexiones entre neuronas. La red no recibe ninguna informacin por parte del entorno que le indique si la salida generada es o no correcta, as que existen varias posibilidades en cuanto a la interpretacin de la salida de estas redes.

En general en este tipo de aprendizaje se suelen considerar dos tipos:

Aprendizaje Hebbiano: Consiste bsicamente en el ajuste de los pesos de las conexiones de acuerdo con la correlacin, as si las dos unidades son activas (positivas), se produce un reforzamiento de la conexin. Por el contrario cuando un es activa y la otra pasiva (negativa), se produce un debilitamiento de la conexin.

Aprendizaje competitivo y cooperativo: Las neuronas compiten (y cooperan) unas con otras con el fin de llevar a cabo una tarea dada. Con este tipo de aprendizaje se pretende que cuando se presente a la red cierta informacin de entrada, solo una de las neuronas de salida se active (alcance su valor de respuesta mximo). Por tanto las neuronas compiten por activarse , quedando finalmente una, o una por grupo, como neurona vencedora.

Tipo de asociacin.

Tipo de Asociacin entre las Informaciones de Entrada y Salida. Las RNA son sistemas que almacenan cierta informacin aprendida; est informacin se registra de forma distribuida en los pesos asociados a las conexiones entre neuronas de entrada y salida. Existen dos formas primarias de realizar esa asociacin de entrada/salida. Una primera sera la denominada heteroasociacin, que se refiere al caso en el que la red aprende parejas de datos [(A1, B1), (A2, B2) (An, Bn)], de tal forma que cuando se presente cierta informacin de entrada Ai, deber responder generndola correspondiente salida Bi. La segunda se conoce como auto asociacin, donde la red aprende ciertas informaciones A1, A2An de tal forma que cuando se le presenta una informacin de entrada realizar una auto correlacin, respondiendo con uno de los datos almacenados, el ms parecido al de la entrada.

Formas de representacin. Las redes neuronales pueden tambin clasificarse en funcin de la forma en que se representan las informaciones de entrada y las respuestas o datos de salida. As un gran nmero de redes, tanto los datos de entrada como de salida son de naturaleza analgica, cuando esto ocurre, las funciones de activacin de las neuronas sern tambin continuas, del tipo lineal o sigmoidal. Otras redes slo admiten valores discretos o binarios a su entrada, generando tambin unas respuestas en la salida de tipo binario. En este caso, las funciones de activacin de las neuronas son de tipo escaln. Existe tambin un tipo de redes hbridas en las que las informaciones de entrada pueden ser valores continuos, aunque las salidas de la red son discretas.


Ventajas

Las Redes de Neuronas Artificiales (RNA) tienen muchas ventajas debido a que estn 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 cul es la salida (respuesta) esperada.

Auto organizacin: Una RNA crea su propia representacin de la informacin en su interior, descargando al usuario de esto.

Tolerancia a fallos. Debido a que una RNA almacena la informacin de forma redundante, sta puede seguir respondiendo aceptablemente an si parcialmente se daa.

Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin de entrada, como seales con ruido u otros cambios en la entrada (ej. si la informacin 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 cul si esto es implementado con computadoras o en dispositivos electrnicos especiales, se pueden obtener respuestas en tiempo real.

Desventajas

Una de las desventajas de las Redes Neuronales es que requieren la definicin de muchos parmetros antes de poder aplicar la metodologa. Por ejemplo hay que decidir la arquitectura ms apropiada, el nmero de capas ocultas, el nmero de nudos por capa, las interconexiones, la funcin de transformacin, etc.

Otra desventaja de las Redes Neuronales es que no ofrecen una interpretacin fcil.


CLASIFICACION DE LAS RNA

Tipologa de las RNA

Topologa Una primera clasificacin de las redes de neuronas artificiales que se suele hacer es en funcin del patrn de conexiones que presenta. As se definen tres tipos bsicos de redes:

Aprendizaje Una segunda clasificacin que se suele hacer es en funcin del tipo de aprendizaje de que es capaz (si necesita o no un conjunto de entrenamiento supervisado). Para cada tipo de aprendizaje encontramos varios modelos propuestos por diferentes autores:

Tipo de entrada Finalmente tambin se pueden clasificar las RNA segn sean capaces de procesar informacin de distinto tipo en:

Redes analgicas: procesan datos de entrada con valores continuos y, habitualmente, acotados.

Redes discretas: procesan datos de entrada de naturaleza discreta; habitualmente valores lgicos booleanos.


Diseo y programacin de una RNA Con un paradigma convencional de programacin informtica, el objetivo del

programador es modelar matemticamente (con distintos grados de formalismo) el problema en cuestin y formular una solucin (programa) mediante un algoritmo que tenga una serie de propiedades que permitan resolver dicho problema. En contraposicin, la aproximacin basada en las RNA parte de un conjunto de datos de entrada suficientemente significativo y el objetivo es conseguir que la red aprenda automticamente las propiedades deseadas. En este sentido, el diseo de la red tiene que ver menos con cuestiones como flujos de datos y deteccin de condiciones, y ms que ver con cuestiones tales como seleccin del modelo de red, de las variables a incorporar y del preprocesamiento de la informacin que formar el conjunto de entrenamiento. Asimismo, el proceso de creacin de la red no se denomina genricamente programacin sino que se suele denominar entrenamiento.

Por ejemplo, en una red que se va a aplicar al diagnstico de imgenes mdicas; durante la fase de entrenamiento el sistema recibe imgenes de tejidos que se sabe son cancergenos y tejidos que se sabe son sanos, as como las respectivas clasificaciones de dichas imgenes. Si el entrenamiento es el adecuado, una vez concluido, el sistema podr recibir imgenes de tejidos no clasificados y obtener su clasificacin sano/no sano con un buen grado de seguridad. Las variables de entrada pueden ser desde los puntos individuales de cada imagen hasta un vector de caractersticas de las mismas que se puedan incorporar al sistema (por ejemplo, procedencia anatmica del tejido de la imagen o la edad del paciente al que se le extrajo la muestra).


Estructura La mayora de los cientficos coinciden en que una RNA es muy diferente en trminos de estructura de un cerebro animal. Al igual que el cerebro una RNA se compone de un conjunto masivamente paralelo de unidades de proceso muy simples y es en las conexiones entre estas unidades donde reside la inteligencia red. Sin embargo, en trminos de escala, un cerebro es muchsimo mayor que cualquier RNA creada hasta la actualidad, y las neuronas artificiales tambin son ms simples que su contrapartida animal.

Biolgicamente, un cerebro aprende mediante la reorganizacin de las conexiones entre las neuronas que lo componen. De la misma manera, las RNA tienen un gran nmero de procesadores virtuales interconectados que de forma simplificada simulan la funcionalidad de las neuronas biolgicas. En esta simulacin, la reorganizacin de las conexiones sinpticas biolgicas se modela mediante un mecanismo de pesos, que son ajustados durante la fase de aprendizaje. En una RNA entrenada, el conjunto de los pesos determina el conocimiento de esa RNA y tiene la propiedad de resolver el problema para el que la RNA ha sido entrenada.

Por otra parte, en una RNA, adems de los pesos y las conexiones, cada neurona tiene asociada una funcin matemtica denominada funcin de transferencia. Dicha funcin genera la seal de salida de la neurona a partir de las seales de entrada. La entrada de la funcin es la suma de todas las seales de entrada por el peso asociado a la conexin de entrada de la seal. Algunos ejemplos de funciones de transferencia son la funcin escaln, la lineal o mixta, la sigmoidal y la funcin gaussiana.


Aplicaciones de las Redes Neuronales Las redes neuronales son una tecnologa computacional emergente que puede utilizarse en un gran nmero y variedad de aplicacione, tanto como comerciales como militares. Hay muchos tipos diferentes de redes neuronales, cada uno de los cuales tiene un aplicacin particular ms apropiada. Separandolas segn las distintas disciplinas algunos ejemplos de sus aplicaciones son:

Biologa

Aprender ms acerca del cerebro y otros sistemas.

Obtencin de modelos de la retina.

Empresa

Reconocimiento de caracteres escritos.

Identificacin de candidatos para posiciones especficas.

Optimizacin de plazas y horarios en lneas de vuelo.

Explotacin de bases de datos.

Evaluacin de probabilidad de formaciones geolgicas y petrolferas.

Sintess de voz desde texto.

Medio Ambiente

Analizar tendencias y patrones.

Previsin del tiempo.

Finanzas

Previsin de la evolucin de los precios.

Valoracin del riesgo de los crditos.

Identificacin de falsificaciones.

Interpretacin de firmas.

Manufacturacin

Robots automatizados y sistemas de control (visin artificial y sensores de presin, temperatura, gas, etc.)

Control de produccin en lneas de proceso.

Inspeccin de calidad.

Filtrado de seales.

Medicina

Analizadores del habla para la ayuda de audicin de sordos profundos.


Diagnstico y tratamiento a partir de sntomas y/o de datos analticos

(encefalograma, etc.).

Monitorizacin en ciruga.

Prediccin de reacciones adversas a los medicamentos.

Lectoras de Rayos X.

Entendimiento de causa de ataques epilpticos.

Militares

Clasificacin de las seales de radar .

Creacin de armas inteligentes.

Optimizacin del uso de recursos escasos.

Ejemplos Quake II Neuralbot Un bot es un programa que simula a un jugador humano. El Neuralbot es un bot para el juego Quake II que utiliza una red neuronal para decidir su comportamiento y un algoritmo gentico para el aprendizaje. Es muy fcil probarlo y ver su evolucin.


BIBLIOGRAFIA http://www.monografias.com/trabajos12/redneur/redneur.shtml#APLICAC http://es.wikipedia.org/wiki/Red_neuronal_artificial http://www.cyd.liu.se/%7Ebjoli035/botepidemic/neuralbot/index.shtml.htm

http://es.wikipedia.org/wiki/Red_neuronal_artificial"

http://ciberconta.unizar.es/LECCION/REDES/INICIO.HTML http://www2.uca.es/dept/leng_sist_iformaticos/preal/pedro

http://www2.uca.es/grup-invest/sic/

rna(2005-ii).pdf

Documents