1. SEMINARIO DE INVESTIGACION I
INSTITUTO TECNOLOGICO DE
SALTILLO
KORINA L. CONTRERAS IÑIGUEZ
TEMA DE INTERES:
REDES NEURONALES ARTIFICIALES
2. SEMINARIO DE INVESTIGACION I
REDES NEURONALES ARTIFICIALES
En el campo de la inteligencia artificial denominadas
habitualmente como “RNA” o como: “ANN”[1]
Son un paradigma de aprendizaje y procesamiento
automático inspirado en la forma en que funciona el
sistema nervioso de los animales.
Se trata de un sistema de interconexión de neuronas en
una red que colabora para producir un estímulo de salida.
1. ↑ Aunque en inglés se utiliza el acrónimo ANN (de Artificial Neural Networks) para referirse a este
campo; en este artículo se utilizará su equivalente castellano RNA.
3. El construir una computadora que sea capaz de
aprender, y de entender el significado de las formas
en imágenes visuales, o incluso distinguir entre
distintas clases de objetos similares son parte de
la problemática a la que se enfrentan los que
diseñan computadoras, los ingenieros y los
programadores.
Por esta razón es que se han tratado de simular
algunas características de la fisiología del cerebro
humano para elaborar nuevos procesos de
elaboramiento [2]
2.- [Freeman & Skapura,1991] Freeman J., Skapura D., Redes Neuronales: Algoritmos. Aplicación y Técnicas de
Programación. México: Addison Wesley, 1991,pg. 1-60
SEMINARIO DE INVESTIGACION I
4. SEMINARIO DE INVESTIGACION I
"Una red neuronal artificial es un sistema procesador de
información con características de desempeño similares a las redes
neuronales biológicas.
Una red neuronal artificial ha sido desarrollada como la
generalización de modelos matemáticos del conocimiento humano
o biología neuronal, basada en los siguientes acepciones:
El procesamiento de información ocurre en elementos sencillos
llamados neuronas. Las neuronas transmiten señales a través de
ligas de conexión. Cada liga de conexión esta asociada con un
peso, el cual, en típicas redes neuronales, multiplica la señal
transmitida. Cada neurona aplica una función de activación
(usualmente no lineal) a la entrada de la red (la suma de entradas
ponderadas por los pesos)". [3]
3.- [Freeman & Skapura,1991] Freeman J., Skapura D., Redes Neuronales: Algoritmos. Aplicación y Técnicas de
Programación. México: Addison Wesley, 1991, p. 93
5. SEMINARIO DE INVESTIGACION I
"Una red neuronal es un procesador distribuido y con
estructura paralela que tiene una tendencia natural a
almacenar conocimiento experimental, haciéndolo apto
para su uso.
Se parece al cerebro en dos cosas:
1. El conocimiento es adquirido por la red a través de un
proceso de aprendizaje.
2. Este conocimiento se almacena en los pesos sinápticos o
conexiones entre neuronas." [4]
4.- Haykin, S. (1994), "Neural Networks: A Comprehensive Foundation." NY, MacMillan, p.2
6. SEMINARIO DE INVESTIGACION I
Red neuronal artificial simple con n neuronas de entrada, m neuronas en
su capa oculta y una neurona de salida.
7. SEMINARIO DE INVESTIGACION I
Ventajas
Aprendizaje adaptativo: Consiste en proporcionar a la
RNA datos como entrada a su vez que se le indica cuál
es la salida (respuesta) esperada con el fin de adaptarse
a nuevas condiciones de trabajo.
Auto organización: Consiste en la
modificación de la red completa con el fin de llevar a cabo un
objetivo específico
Tolerancia a fallos: Debido a que una RNA almacena la
información de forma redundante, ésta puede seguir
respondiendo aceptablemente aún si se daña
parcialmente.
8. SEMINARIO DE INVESTIGACION I
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.
Tiempo real: La estructura de una RNA es paralela, por lo cuál si
esto es implementado con computadoras o en dispositivos
electrónicos especiales, se pueden obtener respuestas en
tiempo real.[5]
5.- Freeman, J.A.; Skapura, DM. Redes Neuronales.
Algoritmos, aplicaciones y técnicas de propagación. México.
Addison-Wesley. 1993; 306 p.
9. SEMINARIO DE INVESTIGACION I
DESVENTAJAS
Sólo son capaces de resolver problemas
de clasificación linealmente separables y
llevar a cabo transformaciones lineales.[6]
Tiempo de aprendizaje elevado
para estructuras complejas. [7]
No hay una metodología clara para la
selección del número de representantes
y de los parámetros de aprendizaje. [8]
6.-“Neural Nets for adaptive filtering and adaptive pattern recognition” B. Widrow, R.G.Winter IEEE Computer,
pp.25-39, Mar. 1988
7.- “Generalization of backpropagation with application to a recurrent gas model” P. Werbos Neural Networks,
vol.1, pp.339-356, 1988
8.- “Learning Vector Quantization” T. Kohonen Abstracts of the 1st Annual INNS Meeting, Boston, MA,
pp.303, 1988
10. Es difícil identificar las
funciones de las ligaduras. [9]
Las categorías obtenidas son muy
sensibles a los parámetros del
aprendizaje. [10]
Baja capacidad de almacenamiento.
La recuperación de datos no tiene
mucha precisión. [11]
9.- “Adaptive Pattern Recognition and Neural Networks” Y.H. Pao Addison Wesley, 1989
10.- “Bidirectional Associative Memories” B. Kosko IEEE Trans. Systems, Man, Cybernetics,
SMC-L8, pp.49-60, 1988
11.- “A massively parallel architecture for a selforganizing neural pattern recognition machine”
G.A. Carpenter, S. GrossbergComputer Vision, Graphics and image Processing 37,pp.54-115, 1987
SEMINARIO DE INVESTIGACION I
DESVENTAJAS
11. SEMINARIO DE INVESTIGACION I
Actualmente las redes neuronales se emplean en diferentes
campos, estos se agrupan según varios criterios. Uno de ellos
es el propuesto por Deboeck [12], quien los agrupa en:
• Modelación financiera y económica.
• Perfiles de mercado y clientes.
• Aplicaciones médicas.
• Gerencia del conocimiento y “descubrimiento de datos”.
• Optimización de procesos industriales y control de calidad.
• Investigación científica.
12.- Deboeck, Guido J. Pattern Recognition and Prediction with self-organizing maps and ork
/
AIabtext.html supporting software review: visualization through viscovery [en línea].
< http://www.gordiand-knot.com >>. Gordian Institute Electronic NewsLetter.
[Consulta: 20de febrero 2000.]
12. SEMINARIO DE INVESTIGACION I
APLICACIONES
Incluye problemas de clasificación y reconocimiento de
patrones de voz, imágenes, señales, textos manuscritos,
patrones de fraude económico,
hacer predicciones en el mercado financiero, de tiempo
atmosférico, simulación de centrales de producción de
energía , detección de explosivos Identificación de
blancos de radares, planeamiento, interfaces adaptivas
para sistemas hombre/máquina, control y optimización,
filtrado de señales, auto asociación, comparación de
datos, control adaptativo, aproximación de funciones,
etc.[13]
13.- Tesis Doctoral Antonio Muñoz San Roque de la Universidad Pontificia Comillas Madrid 1996
Escuela Técnica Superior de Ingenieros Industriales (ICAI)
Departamento de Electrotecnia y Sistemas
“APLICACIÓN DE TÉCNICAS DE REDES NEURONALES ARTIFICIALES AL DIAGNÓSTICO DE PROCESOS
INDUSTRIALES” pp.113-124
13. SEMINARIO DE INVESTIGACION I
Otro tipo especial de redes neuronales artificiales se ha
aplicado en conjunción con los algoritmos genéticos
(AG) para crear controladores para robots.[14]
14.- Tutorial de redes neuronales. Universidad Tecnológica de Pereira. Facultad de Ingeniería
Eléctrica. Ing. María Isabel Acosta B. Ing. Harold Salazar I. Ing. Camilo Zuluaga M.Copyrigth 2000
http://ohm.utp.edu.co/neuronales/main.htm
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
genético para el aprendizaje.
Es muy fácil probarlo y ver su evolución.
14. SEMINARIO DE INVESTIGACION I
Medicina
En una RNA que se va a aplicar al diagnóstico de imágenes
médicas; durante la fase de entrenamiento el sistema recibe
imágenes de tejidos que se sabe son cancerígenos y tejidos
que se sabe son sanos, así como las respectivas
clasificaciones de dichas imágenes.
Si el entrenamiento es el adecuado, una vez concluido, el sistema
podrá recibir imágenes de tejidos no clasificados y obtener
su clasificación 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
características de las mismas que se puedan incorporar al
sistema (por ejemplo, procedencia anatómica del tejido de la
imagen o la edad del paciente al que se le extrajo la muestra).
15. SEMINARIO DE INVESTIGACION I
En general, debido a que las RNA son parecidas al las del
cerebro humano, son bien nombradas ya que son buenas
para resolver problemas que el humano puede resolver pero
las computadoras no.
De cualquier forma, el humano tiene capacidad para el
reconocimiento de patrones, pero la capacidad de las redes
neuronales no se ve afectada por la fatiga, condiciones de
trabajo, estado emocional, y compensaciones.