Redes NeuronalesDaniel Ochoa 4C

IntroduccinLa inteligencia artificial es un intento por descubrir aspectos de la inteligencia humana que pueden ser simulados mediante mquinas. Las redes neuronales son ms que otra forma de emular ciertas caractersticas propias de los humanos, como la capacidad de memorizar y de asociar hechos. Una red neuronal es "un nuevo sistema para el tratamiento de la informacin, cuya unidad bsica de procesamiento est inspirada en la clula del sistema nervioso humano: la neurona".Una primera clasificacin de los modelos de redes neuronales podra ser, atendiendo a su similitud con la realidad biolgica:

1) El modelo de tipo biolgico. 2) El modelo dirigido a aplicacin.

Ventajas de las redes neuronalesAprendizaje adaptivoAuto - OrganizacinTolerancia a fallosOperacin en tiempo realFcil interseccin de la tecnologa existente

Aprendizaje adaptivoLa 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. Las redes neuronales son sistemas dinmicos autoadaptativos.Son adaptables debido a la capacidad de auto-ajuste de los elementos procesales (neuronas) que componen el sistema. No es problema del diseador el cmo la red aprender a discriminar.

Auto-organizacinLas 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 patronesEllas auto-organizan la informacin usada. Cuando las redes neuronales se usan para reconocer ciertas clases de patrones, ellas auto-organizan la informacin usada.

Tolerancia a fallosLas redes neuronales fueron los primeros mtodos computacionales con la capacidad inherente de tolerancia a fallos.a) Las redes pueden aprender a reconocer patrones con ruido, distorsionados o incompletos. Esta es una tolerancia a fallos respecto a los datos. b) Las redes pueden seguir realizando su funcin (con cierta degradacin) aunque se destruya parte de la red.La mayora de los ordenadores algortmicos almacenan cada pieza de informacin en un espacio nico, localizado y direccionable. En cambio, las redes neuronales almacenan informacin no localizada.Las redes neuronales se adaptan bien a esto debido a su implementacin paralela.

Fcil insercin dentro de la tecnologa existenteLas redes neuronales se adaptan bien a esto debido a su implementacin paralela.Fcil insercin dentro de la tecnologa existenteUna 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.

Elementos de una red neuronal artificialAquellas que reciben estmulos externos relacionados con el aparato sensorial, que tomarn la informacin de entrada.Dicha informacin se transmite a ciertos elementos internos que se ocupan de su procesamiento. Es en las sinapsis y neuronasCorrespondientes a este segundo nivel donde se genera cualquier tipo de representacin interna de informacin.Como no tienen relacin directa con la informacin de entrada ni con la salida, estos elementos se denominan unidades ocultas.Una vez finalizado el perodo de procesado, la informacin llega a las unidades de salida, cuya misin es dar la respuesta al sistema.

Los datos ingresan por medio de la "capa de entrada", pasan a travs de la "capa oculta" y salen por la "capa de salida". Cabe mencionar que la capa oculta puede estar constituida por varias capas.En la siguiente figura se compara una neurona biolgica con una neurona artificial. La neurona artificial pretende mimetizar las caractersticas ms importantes de las neuronas biolgicas. Cada neurona i-sima est caracterizada en cualquier instante por un valor numrico denominado valor o estado de activacin ; asociado a cada unidad, existe una funcin de salida, que transforma el estado actual de activacin en una seal de salida.

Una funcin de activacin, F, determina el nuevo estado de activacin de la neurona, teniendo en cuenta la entrada total calculada y el anterior estado de activacin .

Unidades de proceso: La neurona artificialSi se tienen N unidades (neuronas), podemos ordenarlas arbitrariamente y designar la j-sima unidad como.En cualquier sistema que se est modelando, es til caracterizar tres tipos de unidades: entradas, salidas y ocultas. Estado de ActivacinJunto al conjunto de unidades, la representacin necesita los estados del sistema en un tiempo t. Esto se especifica en un vector de N nmeros reales A(t), que representa el estado de activacin del conjunto de unidades de procesamiento.

Funciones de la red neuronal artificial

Funcin de salidaAsociada a cada unidad Ui (neurona) hay una funcin de salida , que transforma el estado actual de activacin en una seal de salida.cuatro funciones de transferencia tpicas que determinan distintos tipos de neuronas:Funcin escaln Funcin lineal y mixta Sigmoidal Funcin gaussianaLa funcin escaln nicamente se utiliza cuando las salidas de la red son binarias. La funcin lineal o identidad equivale a no aplicar funcin de salida.

Conexin entre neuronasLas conexiones que unen las neuronas que forman una RNA tienen asociado un peso que es el que hace que la red adquiera conocimiento. Consideremos como el valor de salida de una neurona i en un instante dado. Una neurona recibe un conjunto de seales que le dan informacin del estado de activacin de todas las neuronas con las que se encuentra conectada.Cada conexin (sinpsis) entre la neurona i y la j est ponderada por un peso .

Funcin de Regla o activacinAs como es necesario una regla que combine las entradas de una neurona con los pesos de las conexiones, tambin se requiere una regla que combine las entradas con el estado actual de la neurona para producir un nuevo estado de activacin. Dado el estado de activacin de la unidad Ui y la entrada total que llega, , el estado de activacin siguiente, , se obtiene aplicando una funcin F, llamada funcin de activacin.

Funcin de activacin o escalnSi el conjunto de los estados de activacin es E ={0,1}, tenemos que:

Si el conjunto es E = {-1,1}, tendremos que:

Funcin de activacin lineal o identidadEl conjunto de estados E puede contener cualquier nmero real; el estado de activacin coincide con la entrada total que ha llegado a la unidad.

Funcin de activacin lineal-mixta Con esta funcin, el estado de activacin de la unidad est obligado a permanecer dentro de un intervalo de valores reales prefijados.

Funcin de activacin sigmoidalEs una funcin continua, por tanto el espacio de los estados de activacin es un intervalo del eje real.