"Año de la Diversificación Productiva y del

Fortalecimiento de la Educación"

TRABAJO DE INVESTIGACIÓN

CURSO: INTELIGENCIA ARTIFICIAL

TITULO: FUNDAMENTOS DE REDES NEURONALES

ARTIFICIALES.

DOCENTE: ing. JONATHAN, MERINO

FARIAS

ALUMNO: MORE ZAPATA, CARLOS

AUGUSTO

TUMBES– PERÚ

2015

pág. i

AUTOR: MORE ZAPATA, CARLOS

AUGUSTO

TEMA: FUNDAMENTOS DE REDES NEURONALES

ARTIFICIALES Y SUS APLICACIONES EN

ALGUNOS CAMPOS

FINALIDAD: dar a conocer algunos de los distintos campos de la

aplicación de las redes neuronales artificiales,

TUMBES– PERÚ

2015

DEDICATORIA

Quiero dedicarle este

trabajo a Dios que me ha

dado la vida y salud para

llegar hasta donde estoy,

a mis Padres por estar ahí cuando más los necesito; en especial a mi madre por su ayuda, constante cooperación y por ayudarme en los momentos más difíciles.

pág. iii

AGRADECIMIENTO

Primero y antes que nada, dar gracias a “DIOS”, por estar con nosotros en cada paso que damos, por fortalecer nuestros corazones

e iluminar nuestra mente y por

haber puesto en nuestro camino

aquellas personas que han sido

nuestro soporte y compañía

durante el periodo de estudio.

Agradecer hoy y siempre a mis padres por el esfuerzo realizado, por el apoyo en mis estudios, de ser así mismo no hubiese sido posible; que nos brinda el apoyo, la Alegría y me da fortaleza para seguir adelante.

Un agradecimiento muy especial al Docente de este curso por su colaboración, paciente, enseñanzas, y sobre todo por esa gran amistad que nos brinda, por escucharnos y aconsejarnos siempre.

EPÍGRAFE

“la robótica no se trata de remplazar a los humanos, si no de aprender de nosotros mismos” Henrik Scharfe.

pág. v

Sumario Capítulo I ...................................................................................................................................... 9

Fundamentos de las redes neuronales artificiales...................................................................... 9

Un poco de historia ................................................................................................................... 9

Modelos de redes neuronales artificiales ................................................................................ 10

El modelo biológico ................................................................................................................. 10

Capitulo II ................................................................................................................................... 11

Fundamentos de redes neuronales artificiales y sus aplicaciones en algunos campos. ............. 11

Algunas aplicaciones comerciales son: .................................................................................... 11

Biología: .............................................................................................................................. 11

Empresa: ............................................................................................................................. 11

Medio ambiente: ................................................................................................................. 12

Finanzas: ............................................................................................................................. 12

Medicina: ............................................................................................................................ 12

Militares: ............................................................................................................................. 12

Bibliografía.................................................................................................................................. 13

RESUMEN

Con el paso del tiempo el afán por querer diseñar y conseguir maquinas que

realicen procesos con cierta “inteligencia“ ha sido uno de los objetivos

primordiales y preocupaciones de muchos científicos. A raíz de largos estudios

teóricos sobre el funcionamiento del cerebro y el pensamiento surgen nuevas

investigaciones sobre redes hasta llegar a Redes Neuronales.

Hoy en día se habla de redes neuronales artificiales que no es más que la inspiración en

la estructura y funcionamiento de los sistemas nerviosos, donde la neurona es el

elemento fundamental.

pág. vii

INTRODUCCIÓN

El tema de redes neuronales artificiales busca diseñar ciertos procesos complejos de

la inteligencia artificial basándose en el cerebro humano, dotado de cierta

inteligencia, Estos sistemas de procesamiento de información, paralelo, distribuido y

adaptativos, a partir de datos del entorno y empleando algoritmos numéricos, son

capaces de aprender de la experiencia.

Los SNA constituyen en la actualidad un campo muy activo, en el que con- fluyen

investigadores procedentes de muy diferentes áreas, como la electrónica,

física, matemáticas, ingeniería, biología o psicología. Esta gran actividad se

manifiesta de varias maneras. En primer lugar, continuamente se introducen

nuevos modelos y desarrollos teóricos. Por otra parte, las grandes compañías del

sector de la electrónica (Intel, Philips, Siemens, etc.) Construyen circuitos

electrónicos de estructura neuronal que comienzan a comercializar. Por último,

pero no por ello menos importante, numerosas empresas aplican ya los

modelos neuronales de forma rutinaria a la resolución de importantes problemas

técnicos, como una metodología más de entre las muchas disponibles.

Capítulo I

Fundamentos de las redes neuronales artificiales

Las redes neuronales son un campo muy importante dentro de la inteligencia artificial.

Inspirándose en el comportamiento conocido del cerebro humano (principalmente el

referido a las neuronas y sus conexiones), trata de crear modelos artificiales que

solucionen problemas difíciles de resolver mediante técnicas algorítmicas

convencionales. (1)

La construcción de sistemas de solución de problemas basados en Redes Neuronales

Artificiales(RNA), comprende un grupo de tareas que van mas aya de la especificación

del modelo y su posterior entrenamiento, las cuales comprenden, el análisis de la

información de entrada, la selección de los patrones para entrenamiento, preparación

de la información para entrenar la RNA, la identificacion del modelo, su entrenamiento,

la validación de los resultados, y su aplicación propiamente dicha en la solución del

problema particular en cuestión. (1)

Un poco de historia

Desde la década de los 40, en la que nació y comenzó a desarrollarse la informática, el

modelo neuronal la ha acompañado. De hecho, la aparición de los conputadores

digitales y el desarrollo de las teorías modernas acerca del aprendizaje y del

procesamiento neuronal se produjeron aproximadamente al mismo tiempo, a finales

de los años cuarenta.

Desde entonces hasta nuestros días, la investigación neurofisiológica y el estudio de

sistemas neuronales artificiales (ANS, Artificial Neural Systems) han ido de la mano. Sin

embargo, los modelos de ANS no se centran en la investigación neurológica, si no que

toma conceptos e ideas del campo de las ciencias naturales para aplicarlos a la

resolución de problemas pertenecientes a otras ramas de las ciencias y la ingeniería.

Podemos decir que la tecnologia ANS incluye modelos inspirados por nuestra

comprensión del cerebro, pero que no tiene por qué ajustarse exactamente a los

modelos derivados de dicho entendimiento.

Los primeros ejemplos de estos sistemas aparecen al final de la década de los

cincuenta, la referencia histórica más corriente es la que alude al trabajo realizado por

Frank Rosenblatt en un dispositivo denominado perceptrón. Hay otros ejemplos, tales

como el desarrollo del Adaline por el profesor Bernard Widrow. (1)

Modelos de redes neuronales artificiales

Los modelos de RNAs son manejados por el interprete como tipos primitivos de datos,

de igual forma a como se manejan enteros símbolos o cadenas de caracteres; y no como

abstracciones codificadas directamente en Scheme. Esto hace de los modelos de RNA

objetos de primer nivel que pueden ser almacenados en variables, pasados dentro de los

argumentos de las funciones, e inclusive ser devueltos como resultado de ellas.

Las funciones para la creación y manipulación de los modelos RNAs, son también

codificados como primitivas, directamente en lenguaje C, lo que permite tener código

ejecutable altamente optimizado, debido a la criticidad que la velocidad de ejecución de

estas funciones tiene dentro del desempeño de la aplicación.

La mezcla de código interpretado con código ejecutable, tiene un efecto muy

importante en el desempeño de la herramienta, ya que todos los procesos críticos se

ejecutan directamente en binario, mientras que el cascaron que esta encima de ellos, el

cual permite codificar algoritmos complejos, y dar la funcionalidad requerida, se ejecuta

más lentamente al ser interpretado, pero esto requiere un porcentaje muy pequeño del

tiempo total de la aplicación. (1)

El modelo biológico

La teoría y modelado de redes neuronales está inspirada en la estructura y

funcionamiento de los sistemas nerviosos, donde la neurona es el elemento

fundamental.

En general, una neurona consta de un cuerpo celular más o menos esférico, de 5 a 10

micras de diámetro, del que salen una rama principal, el axón, y varias ramas más cortas,

llamadas dendritas.

Una de las características de las neuronas es su capacidad de comunicarse. En términos

generales las dendritas y el cuerpo celular reciben señales de entrada; el cuerpo celular

las combina e integra y emite señales de salida. El axón transmite dichas señales a los

terminales axónicos, que distribuyen información o un nuevo conjunto de neuronas, se

calcula que en el cerebro humano existen del orden de 1015 conexiones.

Las señales que se utilizan son de dos tipos: eléctrica y química. La señal generada por la

neurona y transportada a lo largo del axón es un implso eléctrico, mientras que la señal

que se transmite entre los terminales axónicos de una neurona y las dendritas de la otra

es de origen químico. (2)

Capitulo II

Fundamentos de redes neuronales artificiales y sus aplicaciones en

algunos campos.

Las redes neuronales pueden utilizarse en un gran número y variedad de aplicaciones,

tanto comerciales como militares. Se pueden desarrollar redes neuronales en un periodo

de tiempo razonable, con la capacidad de realizar tareas concretas mejor que otras

tecnologías. 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 inserción 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 aplicación

particular más apropiada. (2)

Algunas aplicaciones comerciales son: �

Biología:

- Aprender más acerca del cerebro y otros sistemas.

- Obtención de modelos de la retina. �

Empresa:

- Evaluación de probabilidad de formaciones geológicas y petrolíferas.

- Identificación de candidatos para posiciones específicas.

- Explotación de bases de datos.

- Optimización de plazas y horarios en líneas de vuelo.

- Optimización del flujo del tránsito controlando convenientemente la temporización de

los semáforos.

- Reconocimiento de caracteres escritos.

- Modelado de sistemas para automatización y control. �

Medio ambiente:

- Analizar tendencias y patrones.

- Previsión del tiempo. �

Finanzas:

- Previsión de la evolución de los precios.

- Valoración del riesgo de los créditos. - Identificación de falsificaciones. - Interpretación

de firmas. 35 � Manufacturación:

- Robots automatizados y sistemas de control (visión artificial y sensores de presión,

temperatura, gas, etc.).

- Control de producción en líneas de procesos.

- Inspección de la calidad. �

Medicina:

- Analizadores del habla para ayudar en la audición de sordos profundos.

- Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos

(electrocardiograma, encefalogramas, análisis sanguíneo, etc.).

- Monitorización en cirugías.

- Predicción de reacciones adversas en los medicamentos. - Entendimiento de la causa de

los ataques cardíacos. �

Militares:

- Clasificación de las señales de radar.

- Creación de armas inteligentes.

- Optimización del uso de recursos escasos.

- Reconocimiento y seguimiento en el tiro al blanco.

La mayoría de estas aplicaciones consisten en realizar un reconocimiento de patrones,

como ser: buscar un patrón en una serie de ejemplos, clasificar patrones, completar una

señal a partir de valores parciales o reconstruir el patrón correcto partiendo de uno

distorsionado. Sin embargo, está creciendo el uso de redes neuronales en distintos tipos

de sistemas de control. Desde el punto de vista de los casos de aplicación, la ventaja de

las redes neuronales reside en el procesado paralelo, adaptativo y no lineal. El dominio

de aplicación de las redes neuronales también se lo puede clasificar de la siguiente forma:

asociación y clasificación, regeneración de patrones, regresión y generalización, y

optimización. (3)

Bibliografía

1. Velásques Henao JD. Neuroscheme: un lenguaje para el modelamiento de redes neuronales

artificiales. primera edicion ed. N/A , editor. ninguna: Red Dyna; 2006.

2. J. T. Aplicación de las redes neuronales artificiales para la estratificación de riesgo de

mortalidad hospitalaria. Primera edicion ed. España: Gaceta Sanitaria - Ediciones Doyma, S.L;

2004.

3. Monica MdP. Aplicaciones de las redes neuronales artificiales a problemas de predicción y

clasificación financiera. primera edicion ed. Carlos URJ, editor.: Universidad Rey Juan Carlos;

2005.