REDES NEURONALES

ARTIFICIALES

Gerson Camacho Crdova

Conceptos:
Lasredes neuronales, tambin llamadas "redes de
neuronas artificiales", sonmodelosbastante simplificados
de las redes de neuronas que forman el cerebro. Y, al igual
que este, intentan "aprender" a partir de losdatosque se
le suministran.
Lasredes
de
neuronas
artificiales(denominadas
habitualmente comoRNAo eninglscomo: "ANN") son
unparadigmadeaprendizajeyprocesamiento
automticoinspirado en la forma en que funciona
elsistema nerviosode los animales.

Modelo Biolgico
Se estima que el cerebro humano contiene ms de cien mil
millones ( ) de neuronas y sinpsis en el sistema nervioso
humano

Cuerpo de la neurona,
Ramas de extensin llamadas dendrtas para recibir las entradas, y
Axn que lleva la salida de la neurona a las desdiras de otras neuronas

Caractersticas
Su capacidad deaprendizajea partir de la experiencia
(entrenamiento).
Suvelocidadde
respuesta
una
vez
concluido
el
entrenamiento.
Surobustez, en el sentido de que el conocimiento adquirido
se encuentra repartido por toda la red, de forma que si se
lesiona una parte se continan generando cierto numero de
respuestas correctas (en este caso tambin hay cierta
analoga con los cerebros parcialmente daados).

Marco Histrico de
las Redes Neuronales

Antecedentes
Historicos
1943 W. Mc Culloc
y
W.
Pitts.
N.
Digitales.
1949 Donal Hebb
La organizacin
del
comportamiento.
1951 M. Minsky &
D.
Edmonds.
SNARC
6

Antecedentes
1957
Histricos
F.Rosemblatt

El

Perceptron.
1959 B. Widrow y
T. Hoff.
Adaline &
Madaline
1967
S.
Grossberg

Red
Avalancha.
7

Antecedentes
Histricos
1969 M. Minsky y S
Papert,
Perceptrons.
1977 J. Anderson
Asociador
lineal,
BSB
1978
Teuvo
Kohonen
Mapas
Autoorganizativos
(SOM)
8

Antecedentes
Histricos
1980
K.
Fukushima
Cognitron
y
Neocognitron
1982
John
Hopfield
Red
Hopfield
1982 Rumelhart,
Hinton y William,
Algoritmo
de
retropropagacin
9

Aplicaciones de las redes neuronales:

Las caractersticas de las redes neuronales hacen que sus
posibles aplicaciones sean muy amplias. Algunas de las
aplicaciones ms destacadas son:
Reconocimiento de patrones de clasificacin:
Reconocimiento de voz, de caracteres manuscritos,...
Anlisis y reconocimiento de imgenes, formas,...
Diagnostico clnico.
Anlisis de series temporales y prediccin:
Modelos meteorolgicos.
Prediccin del comportamiento.
Prediccin de series temporales.
Robtica
Etc.

Modelo de Red
La forma que dos neuronas interactuan no es totalmente conocida, En
general, una neurona enva su salida a otras por su axn.
Este proceso es a menudo modelado como la funcin de red . La neurona
recoge las seales por su sinpsis sumando todas las influencias
excitadoras e inhibidoras.

Si las influencias excitadoras positivas dominan, entonces la neurona

da una seal positiva y manda este mensaje a otras neuronas por sus
sinpsis de salida.
En el caso general el valor de activacin de la neurona viene dado por una
funcin de activacin

Funcionamiento Bsico
La arquitectura ms usada en laactualidadde una red neuronal
consistira en:
Una primeracapa de entradas, que recibe informacin
delexterior.
Una serie decapas ocultas(intermedias), encargadas de
realizar el trabajo de la red.
Unacapa de salidas, que proporciona el resultado del trabajo de
la red alexterior.

El Perceptrn
Los perceptrones se disearon para emular las caractersticas
principales de las neuronas biolgicas.
Su funcionamiento es el siguiente: Una serie de entradas se aplican
al perceptrn, luego esas entradas son multiplicadas por un peso
(tambin llamado factor), que representa la "fuerza" de la conexin
sinptica y todas las entradas multiplicadas por su peso se suman
para determinar el nivel de activacin del perceptrn.
De aqu en adelante nos referiremos a este sumatorio con el trmino
NET.

La Funcin de Activacin

La salida NET es generalment utilizada ms adelante por una

funcin de activacin que denominaremos F para producir la seal
de salida del perceptrn, denominada OUT. Esta funcin puede ser
de distintos tipos:
1.Lineal: OUT = K * NET (siendo k una constante numrica)

2.Umbral (Abrupta, binaria): La salida es 1 si NET>K y 0 en otro

caso

3.Sigmoidea (Contnua): Es la funcin que ms se parece a las

caractersticas de transferencia no lineal de la neurona biolgica y
permite funciones de red ms generales. Esta funcin adems
comprime el rango de NET, por lo que pertenece al tipo de
funciones de aplastamiento

Perceptrn multicapa

El perceptrn multicapa es una (RNA) formada por mltiples

capas, esto le permite resolver problemas que no son linealmente
separables, lo cual es la principal limitacin del perceptrn simple)

Las capas pueden clasificarse en tres tipos:

Capa de entrada: Constituida por aquellas neuronas que
introducen los patrones de entrada en la red. En estas neuronas no
se produce procesamiento.
Capas ocultas: Formada por aquellas neuronas cuyas entradas
provienen de capas anteriores y las salidas pasan a neuronas de
capas posteriores.
Capa de salida: Neuronas cuyos valores de salida se corresponden
con las salidas de toda la red.

Enlaces Web
http://perso.wanadoo.es/alimanya/intro.htm
http://
es.wikipedia.org/wiki/Red_neuronal_artificial
http://
perso.wanadoo.es/alimanya/funcion.htm
www.uhu.es/mangel.rodriguez/IA/Introduccio
nRNA.ppt