Instituto de Educacin Superior Tecnolgico ALTO MAYO

TRABAJO MONOGRAFICO

REDES NEURONALES
PARA OPTAR EL TTULO DE PROFESIONAL TCNICO EN COMPUTACIN E INFORMTICA
PRESENTADO POR:
DAVILA BRAIZ, Anita

MOYOBAMBA - PER

2011

REDES NEURONALES
1. 2. 3. 4. 5. 6. 7. Definicin de una Red Neuronal Caractersticas de una Red Neuronal Artificial Evolucin de las Redes Neuronales Ventajas de una Red Neuronal Elementos bsicos de una Red Neuronal Topologa de las Redes Neuronales Campo de Aplicaciones de las Redes Neuronales

DEFINICION DE UNA RED NEURONAL. Las redes neuronales son modelos artificiales de las redes neuronales biolgicas. Constituidas por innumerables unidades procesadoras, llamadas neuronas, las cuales se interconectan a travs de conexiones.

Figura 01: Red Neuronal.

Una red neuronal, sistema compuesto de muchos elementos simples de procesamiento, cuya funcin es determinada por la estructura de la red. LA NEURONA BIOLOGICA. Es una clula viva, y como tal, contiene los mismos elementos que forman parte de todas las clulas biolgicas, adems, de poseer elementos caractersticos que la diferencian El cerebro humano est compuesto por cerca de 1011 neuronas (100.000 millones), una neurona consta de un cuerpo celular ms o menos esfrico de 5 a 10 micras de dimetro, del que sale una rama principal el axn, y varias ramas ms cortas denominadas dentritas. A su vez el axn puede producir ramas en torno a su punto de arranque, y con frecuencia se ramifica extensamente cerca de su extremo. Dendritas. Recogen seales procedentes de otras neuronas, y las transmiten al cuerpo de la neurona. Cuerpo. Recibe las seales de todas las dendritas. Axn. Transmite la respuesta global generada por el cuerpo de la neurona. Continuar Sinapsis. Es el punto de unin entre dos neuronas (dendrita - axn),.

LA NEURONA ARTIFICIAL. La neurona artificial es una unidad elemental encargada de procesar un nmero de entradas y producir un una salida. Una neurona es una funcin, tiene como entradas la salida de otras neuronas. Cada conexin de axn a dendrita tiene una fuerza que es lo que hace la memoria de la red artificial.

En la actualidad existen dos conceptos bastante aceptados de neurona artificial. Unidad de procesamiento encargada de simular el comportamiento de una neurona biolgica. Modelo matemtico que trata de emular de manera simplificada el comportamiento de una neurona biolgica.

Men

CARACTERISTICAS DE UNA RED NEURONAL ARTIFICIAL

Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks) constituidas por elementos que se comportan de forma similar a la neurona del cerebro humano. Las ANN presentan una serie de caractersticas propias del cerebro. Por ejemplo las ANN aprenden de la experiencia, generalizan de ejemplos previos a ejemplos nuevos y abstraen las caractersticas principales de una serie de datos. Aprender: adquirir el conocimiento de una cosa por medio del estudio, ejercicio o experiencia Generalizar: extender o ampliar una cosa. Las ANN generalizan automticamente debido a su propia estructura y naturaleza. Abstraer: aislar mentalmente o considerar por separado las cualidades de un objeto. En realidad una red neuronal es una interconexin de varias unidades de procesamiento (neuronas). Esta toma entradas, las procesa y emite salidas. Son sistemas dinmicos auto adaptativos. Son adaptables debido a la capacidad de autoajuste de los elementos procesales (neuronas) que componen el sistema. Son dinmicos, pues son capaces de estar constantemente cambiando para adaptarse a las nuevas condiciones.

Men

EVOLUCIN DE LAS REDES NEURONALES.

1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el mundo de la computacin. 1943- Warren McCulloch y Walter Pitts, concibieron los fundamentos de la computacin neuronal. 1949 - Donald Hebb. Fue el primero en explicar los procesos del aprendizaje desde un punto de vista psicolgico. 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. 1957 - Frank Rosenblatt. Comenz el desarrollo del Perceptron. Esta es la red neuronal ms antigua; utilizndose hoy en da para aplicacin como identificador de patrones 1960 - Bernard Widroff/Marcian 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). 1961 - Karl Steinbeck: Die Lernmatrix. Red neuronal para simples realizaciones tcnicas (memoria asociativa). 1969 - Marvin Minsky/Seymour Papert. Demostr que el Perceptron era muy dbil. dado que las funciones no-lineales son extensamente empleadas en computacin y en los problemas del mundo. 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 (sobre todo en el rea de control) y las empresas que lanzan al mercado productos nuevos, tanto hardware como software (sobre todo para simulacin).

Men

VENTAJAS DE UNA RED NEURONAL

APRENDIZAJE ADAPTATIVO. La capacidad de aprendizaje adaptativo es una de las caractersticas ms atractivas de redes neuronales. Esto es, aprenden a llevar a cabo ciertas tareas mediante un entrenamiento con ejemplos ilustrativos. Como las redes neuronales pueden aprender a diferenciar patrones mediante ejemplos y entrenamientos, no es necesario elaborar modelos a priori ni necesidad de especificar funciones de distribucin de probabilidad. AUTO-ORGANIZACIN. Las redes neuronales emplean su capacidad de aprendizaje adaptativo para auto organizar la informacin que reciben durante el aprendizaje y/o la operacin. Cuando las redes neuronales se usan para reconocer ciertas clases de patrones, ellas auto organizan la informacin usada. Por ejemplo, la red llamada backpropagation, crear su propia representacin caracterstica, mediante la cual puede reconocer ciertos patrones. TOLERANCIA A FALLOS. La destruccin parcial de una red conduce a una degradacin de su estructura; sin embargo. Hay dos aspectos distintos respecto a la tolerancia a fallos: Las redes pueden aprender a reconocer patrones con ruido, distorsionados o incompletos. Esta es una tolerancia a fallos respecto a los datos. Las redes pueden seguir realizando su funcin (con cierta degradacin) aunque se destruya parte de la red.

Continuar

VENTAJAS DE UNA RED NEURONAL

OPERACIN EN TIEMPO REAL. Los cmputos neuronales pueden ser realizados en paralelo; para esto se disean y fabrican mquinas con hardware especial para obtener esta capacidad. Una de las mayores prioridades, casi en la totalidad de las reas de aplicacin, es la necesidad de realizar procesos con datos de forma muy rpida. Las redes neuronales se adaptan bien a esto debido a su implementacin paralela. Para que la mayora de las redes puedan operar en un entorno de tiempo real, la necesidad de cambio en los pesos de las conexiones o entrenamiento es mnima. FCIL INSERCIN DENTRO DE LA TECNOLOGA EXISTENTE. Se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitar la integracin modular en los sistemas existentes. Una red individual puede ser entrenada para desarrollar una nica y bien definida tarea (tareas complejas, que hagan mltiples selecciones de patrones, requerirn sistemas de redes interconectadas). Con las herramientas computacionales existentes (no del tipo PC), una red puede ser rpidamente entrenada, comprobada, verificada y trasladada a una implementacin hardware de bajo costo. Por lo tanto, no se presentan dificultades para la insercin de redes neuronales en aplicaciones especficas, por ejemplo de control, dentro de los sistemas existentes

Men

1.ELEMENTOS BASICOS DE UNA RED NEURONAL.

ENTRADAS (X).- Estas capas reciben la informacin desde el exterior como son: Entradas Wj a la neurona. PESOS (W).- Normalmente una neurona recibe muchas y mltiples entradas simultneas. Cada entrada tiene su propio peso relativo el cual proporciona la importancia de la entrada dentro de la funcin de agregacin de la neurona. Estos pesos realizan la misma funcin que realizan las fuerzas sinpticas de las neuronas biolgicas. En ambos casos, algunas entradas son ms importantes que otras de manera que tienen mayor efecto sobre el procesamiento de la neurona al combinarse para producir la respuesta neuronal. Los pesos son coeficientes que pueden adaptarse dentro de la red que determinan la intensidad de la seal de entrada registrada por la neurona artificial. SALIDAS (Y).- Cada elemento de procesamiento tiene permitido una nica salida yi(t) que puede estar asociada con un nmero elevado de otras neuronas. Normalmente, la salida es directamente equivalente al valor resultante de la funcin de activacin.

Men

TOPOLOGIA DE LAS REDES NEURONALES La topologa o arquitectura de una red neuronal consiste en la organizacin y disposicin de las neuronas en la misma, formando capas o agrupaciones de neuronas ms o menos alejadas de la entrada y salida de dicha 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. TIPOS DE CONEXIONES REDES MONOCAPAS. En las redes monocapa, se establecen conexiones entre las neuronas que pertenecen a la nica capa que constituye la red. Las redes monocapas se utilizan generalmente en tareas relacionadas con lo que se conoce como auto asociacin (regenerar informacin de entrada que se presenta a la red de forma incompleta o distorsionada). REDES MULTICAPAS. Las redes multicapas son aquellas que disponen de un conjunto de neuronas agrupadas en varios niveles o capas. En estos casos, una forma para distinguir la capa a la que pertenece una neurona, consistira en fijarse en el origen delas seales que recibe a la entrada y el destino de la seal de salida.

Continuar

TIPOS DE CONEXIONES CONEXIN ENTRE NEURONAS. La conectividad entre los nodos de una red neuronal est relacionada con la forma en que las salidas de las neuronas estn canalizadas para convertirse en entradas de otras neuronas. La seal de salida de un nodo puede ser una entrada de otro elemento de proceso, o incluso ser una entrada de s mismo (conexin autor recurrente). Cuando ninguna salida de las neuronas es entrada de neuronas del mismo nivel o de niveles precedentes, la red se describe como de conexin hacia delante. Cuando las salidas pueden ser conectadas como entradas de neuronas de niveles previos o del mismo nivel, incluyndose ellas mismas, la red es de conexin hacia atrs. Las redes de propagacin hacia atrs que tienen lazos cerrados son llamadas: sistemas recurrentes. REDES DE PROPAGACIN HACIA ATRS. El nombre de backpropagation resulta de la forma en que el error es propagado hacia atrs a travs de la red neuronal, en otras palabras el error se propaga hacia atrs desde la capa de salida. Esto permite que los pesos sobre las conexiones de las neuronas ubicadas en las capas ocultas cambien durante el entrenamiento.

Continuar

TIPOS DE CONEXIONES RED HOPFIELD. La red de Hopfield es una red monocapa, esto es, de una sola capa. Aunque tambin se puede mostrar como una red bicapa de dos capas, la primera capa seria una capa de sensores y la segunda capa ser la capa donde se realiza el procesamiento. En la versin bicapa la manera de interconexionar ambas capas es unir la primera capa a la segunda linealmente, esto es cada neurona con su respectiva, y despus unir todas las neuronas con todas en la misma capa.

Men

CAMPO DE APLICACIONES DE LAS REDES NEURONALES.

Las redes neuronales pueden utilizarse en un gran nmero y variedad de aplicaciones, tanto comerciales como militares entre otras ramas. Se pueden desarrollar redes neuronales en un periodo de tiempo razonable, con la capacidad de realizar tareas concretas mejor que otras tecnologas. Cuando se implementan mediante hardware (redes neuronales en chips VLSI), presentan una alta tolerancia a fallos del sistema y proporcionan un alto grado de paralelismo en el procesamiento de datos. Esto posibilita la insercin de redes neuronales de bajo coste en sistemas existentes y recientemente desarrollados. Hay muchos tipos diferentes de redes neuronales; cada uno de los cuales tiene una aplicacin particular ms apropiada. Algunas aplicaciones comerciales son: 1.Biologa: 2.Empresarial: 3.Medio Ambiente: 4.Finanzas: 5.Manufacturacin: 6.Medicina: 7.Militares

Continuar

EL PERCEPTRON
El primer modelo de Perceptrn fue desarrollado en un ambiente biolgico imitando el funcionamiento del ojo humano, el foto perceptrn como se le llamo era un dispositivo que responda a seales pticas;

Continuar

EJEMPLOS PRACTICOS DEL USO DE REDES NEURONALES

Continuar