Una red neuronal artificial (RNA) es un sistema de procesamiento de información inspirado en el funcionamiento de las redes neuronales biológicas y compuesto por elementos simples llamados neuronas que se conectan entre sí. Las RNA se utilizan para tareas como clasificación, predicción y optimización aprovechando su capacidad de aprendizaje. Algunas aplicaciones incluyen reconocimiento de patrones, procesamiento de imágenes y control de sistemas.
1. Redes Neuronales Artificiales Contenido: Definición de Red Neuronal Artificial Modelo de una Neurona Artificial Modelos de RNA Características de las RNA Aplicaciones de las RNA
2. Redes Neuronales Artificiales Definición de Red Neuronal Artificial: Es un arreglo masivo de elementos de procesamiento simple llamados neuronas, los cuales poseen un alto grado de interconectividad entre sus elementos, en los que la información puede fluir en cascada o en retroceso. Las RNA funcionamiento paralelo y organización jerárquica. Estos arreglos están inspirados en la naturaleza biológica de las neuronas.
3. Redes Neuronales Artificiales Definición de Red Neuronal Artificial: Neurona: célula cerebral encargada de recoger, procesar y transmitir señales eléctricas. Número de neuronas en el cerebro humano: ~10 10 Conexiones (sinapsis) por neurona: ~10 4 –10 5 Reconocimiento de escenas: 0.1 segundos Procesamiento no lineal Masivo grado de paralelismo Representaciones distribuidas Adaptativo
4.
5.
6. Redes Neuronales Artificiales Modelo de una Neurona Artificial: El primer modelo de Neurona Artificial fue propuesto por McCulloch-Pitts en 1943: El punto importante es que todas las neuronas tienen 2 estados de activación posibles: EXCITADO o REPOSO. Usualmente EXCITADO es 1 y REPOSO -1.
7.
8. Redes Neuronales Artificiales Modelo de una Neurona Artificial: Las funciones de activación posibles en neuronas artificiales son:
9. Redes Neuronales Artificiales Modelo de una Neurona Artificial: Las funciones de activación posibles en neuronas artificiales son:
10. Redes Neuronales Artificiales Modelo de una Neurona Artificial: La modificación del comportamiento inducido por la interacción de con el entorno y como resultado de experiencias conducente al establecimiento de nuevos modelos de respuesta a estímulos externos. Es decir , el conocimiento está representado en los pesos, por lo que al variar estos en sucesivas experiencias, se logra el ajuste al valor más adecuado. Obtener el mejor valor para los pesos se conoce como aprendizaje .
11. Redes Neuronales Artificiales Modelos de RNA: En la mayoría de las aplicaciones del mundo real, contar con un procesador elemental como el perceptron no es ni cerca de suficiente, para esto se agrupan varias neuronas en modelos de redes. Las RNA se pueden clasificar así: - Según e/o/s: Número y tipo de entradas Elementos ocultos Elementos de salida - Según conectividad entre capas: Feedforward (hacia adelante) Redes Recurrentes Estructuras Enrejadas (Lattice)
12. Redes Neuronales Artificiales Modelos de RNA: En la mayoría de las aplicaciones del mundo real, contar con un procesador elemental como el perceptron no es ni cerca de suficiente, para esto se agrupan varias neuronas en modelos de redes. Las RNA se pueden clasificar así: - Según conexión entre capas: Totalmente conectados (full-conexión) Parcialmente conectados Conexión uno a uno - Sincronía (actualización de pesos): Simultánea Aleatoria Según orden topológico
13. Redes Neuronales Artificiales Modelos de RNA: Redes Mono Capa Dos o más neuronas pueden ser combinadas en una única capa. A continuación se presenta una red con una capa que contiene R entradas y S neuronas, donde cada elemento del vector de entrada p esta conectado a cada neurona a través de la matriz de ponderaciones W de orden RxS (R no = S). Una capa neuronal incluye la matriz de ponderaciones, las operaciones de multiplicación, el vector de umbral b, el sumador, y la función de transferencia.
14. Redes Neuronales Artificiales Modelos de RNA: Redes Multi Capa Usualmente se al menos presentan 3 capas: Capa de Entrada, Capa Oculta y Capa de Salida.
15. Redes Neuronales Artificiales Modelos de RNA: Redes Multi Capa Usualmente se al menos presentan 3 capas: Capa de Entrada, Capa Oculta y Capa de Salida.
16. Redes Neuronales Artificiales Modelos de RNA: Redes con conexiones hacia delante (feedforward): En este tipo de redes, todas las señales neuronales se propagan hacia adelante a través de las capas de la red. No existen conexiones hacia atrás y normal- mente tampoco autorrecurrentes, ni laterales. Este tipo de redes son especialmente útiles en aplicaciones de reconocimiento o clasificación de patrones.
17. Redes Neuronales Artificiales Modelos de RNA: Redes con conexiones hacia adelante y hacia atrás (feedforward / feedback): En este tipo de redes circula información tanto hacia adelante como hacia atrás durante el funcionamiento de la red. Para que esto sea posible, existen conexiones feedforward y conexiones feedback entre las neuronas. También existen algunas que tienen conexiones laterales entre neuronas de la misma capa. Estas conexiones se diseñan como excitadores (con peso positivo) o inhibidoras (con peso negativo), estableciendose una competencia entre las neuronas correspondientes.