Escolar Documentos
Profissional Documentos
Cultura Documentos
El primer paso en la construccin de una Red Neuronal Artificial, que tenga una
aplicacin financiera, es la definicin de la variable financiera objetivo. Se
puede decir que las Redes Neuronales Artificiales permiten enfrentar los
problemas financieros con un enfoque distinto al de los modelos lineales.
En ese sentido podemos decir que una Red Neuronal que permita pronosticar
series de tiempo de variables financieras se puede establecer usando
diferentes tipos de informacin:
a. Aquella relacionada directamente con la variable de salida (en el mercado
seleccionado)
b. Aquella informacin resultante de las operaciones relacionadas con la
variable de salida.
c. Aquella que depende de los componentes fundamentales.
Conexin estndar: En este caso las conexiones son entre las capas de entrada
y salida, pasando por una capa oculta.
d. La funcin de activacin
Una vez que hemos fijado las caractersticas iniciales de la Red Neuronal, se
hace necesario determinar en qu momento se debe detener el proceso de
aprendizaje. Estos criterios tienen que estar relacionados con el conjunto de
pruebas.
Por otro lado, los parmetros de aprendizaje se relacionan con los indicadores
de error, tales como:
Error medio
Error mximo
Nmero de ciclos sin mejora en el error
Se puede fijar un valor para estos parmetros que permitan que la Red
Neuronal se detenga cuando haya alcanzado el valor deseado.
Otro criterio de aceptacin es la convergencia. Si los errores se consideran
modestos, pero la oscilacin tiene una alta divergencia, es oportuno verificar la
adecuacin de los parmetros.
Una vez que los indicadores son favorables para la Red Neuronal, es necesario
verificar la bondad del pronstico. Es posible que el modelo sea exitoso en la
seleccin de los conjuntos de aprendizaje y de prueba, pero sea inadecuado en
el proceso del pronstico.
Conclusiones
Figura No. 1 Esquema de una Neurona Artificial con sus principales elementos.
PESO SINAPTICO.
Las conexiones que unen a las neuronas de una RNA tienen asociado un peso, que es el que
hace que la red adquiera un conocimiento. Considerando yi como el valor de salida de la
neurona i en un instante dado, dicha seal es transmitida desde la neurona i a la j pero dicha
seal es modificada por el valor del peso de la conexin entre las neuronas en cuestin. La
nomenclatura para el peso sinaptico entre la neurona j y la neurona i es Wji. El primer
subindice (j) indica la neurona o unidad hacia donde va la conexin. El segundo subindice
(i) indica la neurona o unidad desde donde proviene la conexin. Ver Figura 1.
ENTRADA NETA
Una neurona o unidad de procesamiento se ve afectada por las salidas de las neuronas con
las cuales ella esta conectada. El efecto total de las salidas de estas neuronas reflejado en la
unidad de procesamiento que se est analizando se conoce como neta.
La neta se puede ver como suma de los efectos de las salidas a las cuales ella est
conectada. La manera como se calcula la neta se puede observae en la Ecuacin 1.
FUNCION DE ACTIVACIN
Entre la unidades o neuronas que forman una red neuronal artificial existe un conjunto de
conexiones que las unen. Cada unidad transmite seales a aquellas que estn conectadas a
su salida. Asociada con cada unidad Uj hay una funcin de activacin (Fact), que
transforma la entrada neta que la unidad presenta como resultado de estar conectada con
otras unidades que le suministran informacin, en el valor de salida Yj.
REGLA DE APRENDIZAJE
Aprendizaje se puede definir como: La modificacin del comportamiento inducido por la
interaccin con el entorno y como resultado de experiencias conducentes al establecimiento
de nuevos modelos de respuestas ante estmulos externos.
Biolgicamente, se suele aceptar que la informacin memorizada en el cerebro est ms
relacionada con los valores sinpticos de las conexiones entre las neuronas que con ellas
mismas; es decir, el conocimiento se encuentra en las sinapsis. En el caso de las redes
neuronales artificiales, se puede considerar que el conocimiento se encuentra representado
en los pesos de las conexiones entre las neuronas. Todo proceso de aprendizaje implica
cierto nmero de cambios en estas conexiones. En realidad se puede decir que se aprende
modificando los pesos de la red.
ocultos puede estar entre cero y un nmero elevado. Las neuronas de la capa oculta pueden
estar interconectadas de diferentes maneras, lo que determina, junto con su nmero, las
distintas tipologas de redes neuronales.
Capa de Salida
Transfieren informacin de la red hacia el exterior.
CAMPO DE APLICACION
Las Redes neuronales artificiales son interesantes para una gran cantidad de personas de
diferentes reas:
Los cientficos cognoscitivos ven redes nerviosas como un posible aparato para
describir modelos de pensamiento y conciencia (funcin cerebral de alto-nivel).
Filsofos y otras personas tambin pueden ser interesadas en Redes Nerviosas por
las varias razones.
Las RNA con su capacidad para deducir un significado desde datos complicados o
imprecisos, pueden ser utilizadas para detectar patrones o detectar una tendencia que es
muy compleja de hallar por una persona con modelos determsticos o por otras tcnicas
computacionales tradicionales. Una red entrenada puede ser vista como un experto en el
manejo de la informacin que se le ha dado para analizar. Este experto puede ser utilizado
para proporcionar proyecciones ante nuevas situaciones de inters.
Entre las caractersticas y ventajas representativas de las RNAs se tienen:
1. Paralelismo masivo: el procesamiento de la informacin es realizado por un nmero
elevado de procesadores simples y veloces (neuronas) cuya potencia de cmputo se centra
en el alto nivel de conectividad, distribuyendo de esta manera la representacin y el
procesamiento de los datos.
2. Capacidad de aprendizaje y generalizacin: la RNA adquiere el conocimiento de los
datos analizados en el problema para modelar una situacin un proceso. Adems, a partir de
la informacin entregada (finita) est en capacidad de inferir o analizar con acierto datos no
presentados en la fase de aprendizaje.
3. Auto organizacin: Una RNA puede crear su propia organizacin o representacin de la
informacin que es recibida durante la etapa de aprendizaje y a partir de una estructura
inicial evolucionar a una nueva y ms apropiada para la solucin del problema.
4. Operacin en tiempo real : Los clculos en una RNA pueden ser realizados en paralelo.
El diseo y fabricacin de dispositivos en hardware especiales para tomar ventaja de esta
capacidad, garantizan el diseo de aplicaciones complejas en tiempo real.
5. Tolerancia a fallas por la redundancia de la informacin: La destruccin parcial de un
RNA ocasiona la correspondiente degradacin del funcionamiento de la red. Sin embargo,
algunas capacidades de la red pueden ser conservadas a pesar de tenerse un dao grave en
la misma.
Los computadores digitales actuales superan al hombre en su capacidad de clculo
numrico y el manejo de smbolos relacionales. Sin embargo, el hombre puede solucionar
problemas mucho ms complejos de percepcin (por ejemplo, reconocer a un amigo entre
un tumulto desde un simple vistazo de su cara o al escuchar su voz, incluso por el modo de
caminar; definir la habitabilidad de un aula a partir de sensaciones de temperatura, ruido,
humedad, iluminacin, etc.) a muy altas velocidades y sin necesidad de concebir un
complejo modelo matemtico o computacional. La respuesta est en la arquitectura del
sistema neuronal biolgico que es completamente diferente a la arquitectura del
computador tradicional von Neumann, como se indic en la Tabla 1. Estas diferencias, le
brindan un factor de diferenciacin y aumento del desempeo a las RNA en aplicaciones
como :
Procesamiento de seales
Prediccin
Optimizacin
Control
Medicina
Gestin financiera
En este momento se ha dado solucin a problemas con altos niveles de incertidumbre que
con mtodos tradicionales jams su habra obtenido. Soluciones tan novedosas e
interesantes como la reconstruccin craneofacial para la identificacin de hombres, msica
neurocomputacional, sistemas de deteccin de virus en computadores conocidos y
desconocidos, identificacin de usuarios en cajeros automticos desde la imagen del iris de
los ojos, reconocimiento de emisores en comunicaciones, diagnstico de hepatitis,
recuperacin de telecomunicaciones ante fallas en el software, interpretacin de palabras
chinas, deteccin de minas submarinas, anlisis de texturas, reconocimiento de objetos
tridimensionales y reconocimiento de texto manuscrito.
Arriba
Parte 1
Comentarios
jes_alf_lopez@yahoo.com
[Redes Neuronales] [Computacin Evolutiva] [Lgica Difusa] [Principal]