Este documento presenta una introducción a la neurocomputación. Explica que la neurocomputación se basa en redes neuronales artificiales para crear sistemas inteligentes similares al cerebro. Describe el modelo biológico de una neurona y ofrece una breve reseña histórica de los principales modelos de redes neuronales, incluyendo el modelo pionero de McCulloch y Pitts. Finalmente, explica que las redes neuronales aprenden adaptando los pesos de las conexiones a través de algoritmos de aprendizaje supervisado o no super

1. Introducción (I)
Neurocomputación:
Neurocomputación Modelo computacional
Basado en redes neuronales
Gran apogeo en los 80’s y 90’s.
Objetivo de crear sistemas inteligentes:
“tareas inteligentes -> reservadas al cerebro”
Teoría de Autómatas y Lenguajes Formales II. Curso 2005-06. Idea inicial:
3º curso de Ingeniería Técnica en Informática de Sistemas
“un modelo computacional más cercano al cerebro”
Escuela Técnica Superior de Ingeniería Informática
Universidad de Valladolid
Introducción (II) Modelo biológico (I)
Modelo alternativo de computación en
contraposición con el de Von Neumann:
Masivamente paralelos
Computación y representación distribuida
Aprendizaje
Generalización
Adaptabilidad
Procesamiento de la información inherente al contexto
Tolerante a fallos
Entradas: dendritas
Bajo consumo de energía
Salida: axón
Soma: procesador de información
1

2. Modelo biológico (II) Breve reseña histórica (I)
Neuronas sensitivas: (1943) El neurobiólogo McCulloch y el
Reciben las entradas directamente
estadístico Pitts:
Modelo de neurona artificial
Neuronas actuadoras:
Materializan la respuesta
(1962) Rosenblatt:
Velocidad de procesamiento: Teorema de convergencia del perceptrón
1011 neuronas en el cortex Extendió la euforia: “RNA, solución universal”
103 – 104 conexiones
Lentitud de las señales electroquímicas
Reconocimiento de una cara en milisegundos (1969) Minsky y Papert:
Por tanto, es un sistema conexionista Limitaciones del perceptrón: problema del XOR
Breve reseña histórica (II) Modelo de McCulloch y Pitts (I)
(1982) Hopfield: RNA (sistema computacional):
Red más plausible con el modelo biológico
Conjunto de autómatas celulares
(neuronas)
Flujo de información según una
topología de interconexiones
(sinapsis)
(1986) Rumelhart y McClelland:
El paralelismo está marcado por la
Aprendizaje del perceptrón multicapa disponibilidad de las entradas
Original de Werbos (1974): Tesis Doctoral
2

3. Modelo de McCulloch y Pitts (II) Modelo de McCulloch y Pitts (III)
x1 wk1
uk : activación o salida analógica
Término bias, offset o umbral:
yk : salida (digital)
Eliminación del nivel de continua, que no
x2 wk 2 uk yk θ k : umbral, bias u offset aporta información:
Σ F (⋅)
F : Función de activación
θk
xn wkn
n
uk = ∑ wkj x j ∈ (−∞, ∞) yk = F(uk − Θk )
j =1
n −1
Práctica: uk = ∑ wkj x j + wkn yk = F(uk )
j =0
Modelo de McCulloch y Pitts (IV) Modelo de McCulloch y Pitts (IV)
Si el peso es positivo/negativo: F(x) debe ser acotada: +1
Sinapsis excitadora/inhibidora Heaviside: sgn(x)
No diferenciables -1 +1
Semilineal
Función de activación F(x): -1
Filtrar la salida para acotarla en sintonía con las 1
neuronales biológicas: 1
F ( x) =
Los potenciales electroquímicos están acotados. Arcotangente 1 + e − βx
Si la intensidad de una señal (sentido) supera un N - diferenciables
valor, deja de percibirse como tal. Sigmoide
Ejemplo: altas y bajas frecuencias del sonido.
0
0
3

4. Arquitectura Aprendizaje y recuperación (I)
Grafo dirigido y ponderado Sistema neuronal:
Clasificación: lazos de realimentación Altamente no lineal
Redes
Neuronales
Gran robustez
Tolerante a fallos
Sin realimentación Con realimentación
Adicionalmente:
Aprendizaje: adaptación de sus pesos a cambios en el
Perceptrón Perceptrón Función de Redes Redes de Redes entorno
Simple Multicapa Base Radial Competitivas Hopfield ART
Manejo de información imprecisa, difusa, con ruido y
basada en probabilidades
Generalización: respuesta satisfactoria ante casos
desconocidos
Aprendizaje y recuperación (II) Aprendizaje y recuperación (III)
El modelo computacional equivalente al Aprendizaje:
de Von Neumann Definir una función objetivo explícita o implícitamente
para representar el estado de la red.
Buscar un óptimo de esta función modificando los pesos.
Principal inconveniente:
No se conoce algoritmo capaz de entrenar una Tipos:
RNA arbitraria Supervisado: maneja (entrada, salida deseada)
Ajuste de pesos para minimizar esta diferencia
Ejemplo: perceptrón multicapa (MLP)
Actualmente: No supervisado:
Se conocen tipos particulares de redes con, al Evolución del sistema hasta un estado estable
menos, un algoritmo de aprendizaje Ejemplo: mapa autoorganizado (SOM)
4

5. Aprendizaje y recuperación (IV) Aplicaciones (I)
Principal característica: Reconocimiento de patrones:
Capacidad de GENERALIZACIÓN: Asignar a cada entrada un patrón:
Calidad de la respuesta ante ejemplos desconocidos: Estáticos
no utilizados en el aprendizaje
Dinámicos: trata explícitamente el tiempo
Dos modos de funcionamiento: Clustering:
Aprendizaje y recuperación Agrupamiento no supervisado de muestras
Redes heteroasociativas
Extracción de características diferenciadoras entre
Aprendizaje conlleva mayor cómputo
muestras
Redes autoasocitivas
Recuperación es la fase más costosa Actúa de forma opaca: espacio de características
Aplicaciones (II) Aplicaciones (III)
Aproximación funcional: Optimización
Correspondencia (x, y) contaminados con Definir función objetivo
ruido Encontrar óptimo bajo restricciones
Ejemplo: problema del viajante
Predicción:
Adivinar el siguiente término de una serie: Memorias asociativas:
Meteorología Direccionables por contenido
Bolsa Recuperar la información original a partir
Demanda de consumo de una parcialmente distorsionada
5

6. Aplicaciones (IV)
Generación de señales de control
Calcular señales de control para que la
“consigna” siga a la “referencia”
Especialmente aplicables en sistemas
altamente no lineales y complejos
Se consigue la respuesta a partir del
aprendizaje con ejemplos
6