FACULTAD DE INGENIERA CIVIL, DE SISTEMAS Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERIA DE SISTEMAS

ASIGNATURA

:
INTELIGENCIA ARTIFICIAL

DOCENTE

:
ING. GAVINO MARCELO LOYAGA ORBEGOSO

ALUMNO

:
SILVA LOPEZ DENYS

TEMA

:
ENSAYO REDES NEURONALES ARTIFICIALES

CICLO

:
2013 - I

LAMBAYEQUE, NOVIEMBRE DEL 2013

REDES NEURONALES ARTIFICIALES

INTELIGENCIA ARTIFICIAL

INTRODUCCION
Las redes neuronales son una tcnica eficaz para resolver muchos problemas del mundo
real. Ellos tienen la capacidad de aprender de la experiencia con el fin de mejorar su
rendimiento y adaptarse a los cambios en el medio ambiente. Adems de que son
capaces de tratar con informacin incompleta o datos de ruido y puede ser muy eficaz,
especialmente en situaciones donde no es posible definir las reglas o pasos que
conducen a la solucin de un problema.
A partir de los datos de medicin de una fuente conocida o desconocida, una red neuronal
puede ser entrenada para realizar la clasificacin, la estimacin, la simulacin y prediccin
de los procesos subyacentes que generan datos. Por lo tanto, las redes neuronales, son
herramientas de software diseadas para estimar las relaciones en los datos. Una
relacin estimada es esencialmente un mapa o una funcin, sobre los datos en bruto a
sus caractersticas.
El rea general de las redes neuronales artificiales tiene sus races en nuestra
comprensin del cerebro humano. En este sentido, los conceptos iniciales se basaron en
los intentos de imitar la manera del cerebro de procesar la informacin. Los esfuerzos que
siguieron dieron lugar a diversos modelos de estructuras de red neuronal biolgica y el
aprendizaje de algoritmos.

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

Pgina 2

REDES NEURONALES ARTIFICIALES

INTELIGENCIA ARTIFICIAL

REDES NEURONALES ARTIFICIALES

Las redes neuronales artificiales (RNA) son dispositivos o software programado de
manera tal que funcionen como las neuronas biolgicas de los seres vivos.
Existen numerosas formas de definir lo que son las RNA, sin embargo se puede decir que
son modelos matemticos conformados por un gran nmero de elementos de
procesamiento que estn interconectados masivamente y que tienen una organizacin
jerrquica, los cuales intentan interactuar con los objetos del mundo real al igual que lo
hace el cerebro humano para conseguir resolver problemas relacionados con el
reconocimiento de patrones, prediccin, codificacin, control, optimizacin entre otros.
En las RNA, los elementos de procesamiento corresponden a las neuronas biolgicas, las
interconexiones se realizan por medio de las ramas de salida (axones) que producen un
nmero variable de conexiones (sinapsis) con otras neuronas.
1. Neuronas Biolgicas
Nuestros cerebros cuentan con millones de neuronas que se interconectan para
elaborar "Redes Neuronales". Estas redes ejecutan los millones de instrucciones
necesarias para mantener una vida normal. Las neuronas son las clulas que forman la
corteza cerebral de los seres vivos, cada una est formada por elementos llamados
cuerpo, axn y dendritas.
Las dendritas forman una estructura de filamentos muy fina que rodean el cuerpo de la
neurona. El axn es un tubo largo y delgado que se ramifica en su extremo en
pequeos bulbos finales que casi tocan las dendritas de las clulas vecinas. La
pequea separacin entre los bulbos finales y las dendritas se le denomina sinapsis.
Las neuronas, al igual que las dems clulas del cuerpo, funcionan a travs de
impulsos elctricos y reacciones qumicas. Los impulsos elctricos que utiliza una
neurona para intercambiar informacin con las dems, viajan por el axn que hace
contacto con las dendritas de la neurona vecina mediante las sinapsis. La intensidad
de la corriente transmitida depende de la eficiencia de la transmisin sinptica. Una
neurona en especial transmitir un impulso elctrico por su axn si suficientes seales
de las neuronas vecinas transmiten a travs de sus dendritas en un tiempo corto. La

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

Pgina 3

REDES NEURONALES ARTIFICIALES

INTELIGENCIA ARTIFICIAL

seal que se transmite a la

neurona podr ser adems
inhibitoria o excitatoria. La
neurona

dispara,

esto

es,

manda el impulso por su

axn, si la excitacin excede
su inhibicin por un valor crtico, el umbral de la neurona.
Las entradas Xi representan todas las entradas que provienen de las dems
neuronas y que son capturadas por las dendritas.
Wi son los pesos sinpticos, representan todas las conexiones entre todas las
neuronas en la red.
es el umbral que debe sobrepasar toda la neurona para poder activarse y
generar una respuesta
J es la salida que ofrece la neurona a travs del axn.
2. Caractersticas de las Redes Neuronales Artificiales
Pesos
Las RNA pueden tener factores de pesos fijos o adaptables. Las que tienen pesos
adaptables emplean leyes de aprendizaje para ajustar el valor de la fuerza de un
interconexin con otras neuronas. Si las neuronas utilizan pesos fijos, entonces su
tarea deber estar previamente definida. Los pesos sern determinados a partir de una
descripcin completa del problema. Por otra parte, los pesos adaptables son
esenciales si no se conoce previamente cual deber de ser su valor correcto.
Dos tipos de aprendizaje
Existen dos tipos de aprendizaje: supervisado y no supervisado. El primero ocurre
cuando se le proporciona a la red tanto la entrada como la salida correcta, y la red
ajusta sus pesos tratando de minimizar el error de su salida calculada. Este tipo de
entrenamiento se aplica por ejemplo, en el reconocimiento de patrones. El
entrenamiento no supervisado se presenta cuando a la red se le proporcionan
nicamente los estmulos, y la red ajusta sus interconexiones basndose nicamente
es sus estmulos y la salida de la propia red. Las leyes de aprendizaje determinan

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

Pgina 4

REDES NEURONALES ARTIFICIALES

INTELIGENCIA ARTIFICIAL

como la red ajustar sus pesos utilizando una funcin de error o algn otro criterio. La
ley de aprendizaje adecuada se determina con base a la naturaleza del problema que
se intenta resolver.
Dos fases de operacin:
Las RNA adaptables tienen dos fases en su operacin:

Entrenamiento de la red. El usuario proporciona a la red un nmero

"adecuado" de estmulos de entrada, y de salida, la red entonces ajusta su
pesos de interconexin o sinapsis hasta que la salida de la red esta "lo
suficientemente cerca" de la salida correcta.

Recuperacin de lo aprendido. A la red se le presenta un conjunto de

estmulos de entrada y esta simplemente calcula su salida. Cuando la red
emplea entrenamiento no supervisado, algunas veces ser necesario que
reajuste su sinapsis durante la fase de recuperacin.

No son algortmicas
La gran diferencia del empleo de las redes neuronales
en relacin con otras aplicaciones de la computacin
radica en que no son algortmicas, esto es no se
programan

hacindoles

seguir

una

secuencia

predefinida de instrucciones. Las RNA generan ellas

mismas sus propias "reglas", para asociar la respuesta
a su entrada; es decir, aprende por ejemplos y de sus
propios errores. El conocimiento de una RNA se
encuentra en la funcin de activacin utilizada y en los
valores de sus pesos.
Asociar y generalizar sin reglas como en el cerebro humano
Las redes neuronales formadas por los perceptrones se interconectan en forma muy
similar a como las neuronas humanas se disponen en la corteza cerebral humana, y lo
ms importante, son capaces de asociar y generalizar sin reglas. Han sido utilizadas

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

Pgina 5

REDES NEURONALES ARTIFICIALES

INTELIGENCIA ARTIFICIAL

con gran xito para reconocer retornos de sonar bajo el agua, escritura a mano, voz,
topografa de terrenos, controlar brazos de robots, evaluar datos personales, modelar
fenmenos cognoscitivos, y, predecir tendencias financieras.
Requieren de algn tipo de patrn
La clase de problemas que mejor se resuelven con las redes neuronales son los
mismos que el ser humano resuelve mejor: Asociacin, evaluacin, y reconocimiento
de patrones. Las redes neuronales son perfectas para problemas que son muy difciles
de calcular pero que no requieren de respuestas perfectas, slo respuestas rpidas y
buenas. Por otra parte, las redes neuronales son muy malas para clculos precisos,
procesamiento serie, y no son capaces de reconocer nada que no tenga
inherentemente algn tipo de patrn. Es por esto, que no pueden predecir la lotera, ya
por definicin es un proceso al azar.
3. Ventajas de las Redes Neuronales Artificiales
a) Aprendizaje adoptivo: Capacidad de aprender ciertas tareas mediante un
entrenamiento y poder diferenciar patrones as como tambin la capacidad de
estar cambiando constantemente para adaptarse a nuevas condiciones.
b) Son sistemas distribuidos no lineales: Una neurona es un elemento no lineal por
lo que una interconexin de ellas (red neuronal) tambin ser un dispositivo no
lineal. Esta propiedad permitir la simulacin de sistemas no lineales y caticos,
simulacin que, con los sistemas clsicos lineales, no se puede realizar.
c) Son sistemas tolerantes a fallos: Una red neuronal, al ser un sistema distribuido,
permite el fallo de algunos elementos individuales (neuronas) sin alterar
significativamente la respuesta total del sistema. Este hecho las hace especialmente
atractivas frente a los computadoras actuales que, por lo general, son sistemas
secuenciales de tal forma que un fallo en uno de sus componentes conlleva que el
sistema total no funcione.
d) Adaptabilidad: Una red neuronal tiene la capacidad de modificar los parmetros de
los que depende su funcionamiento de acuerdo con los cambios que se produzcan
en su entorno de trabajo (cambios en las entradas, presencia de ruido, etc...). Con

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

Pgina 6

REDES NEURONALES ARTIFICIALES

INTELIGENCIA ARTIFICIAL

respecto a la capacidad de adaptacin hay que tener en cuenta que sta no puede
ser tampoco excesivamente grande ya que conducira a tener un sistema inestable
respondiendo a pequeas perturbaciones. Este es el problema conocido como el
dilema plasticidad-estabilidad.
e) Establecen relaciones no lineales entre datos: Las redes neuronales son
capaces de relacionar dos conjuntos de datos mediante relaciones complejas.
f) Operacin en tiempo real: Para que las redes operen en tiempo real, la necesidad
de cambio en los pesos de conexin o entrenamiento es mnima. Los cmputos
neuronales pueden ser realizados en paralelo con otro hardware para obtener
esa capacidad
g) Posibilidad de implementacin en VLSI: Esta posibilidad permite que estos
sistemas puedan ser aplicados en sistemas de tiempo real, simulando sistemas
biolgicos mediante elementos de silicio.
4. Aplicaciones de las redes neuronales artificiales.
Las caractersticas especiales de los sistemas de computacin neuronal permiten que
sea utilizada esta nueva tcnica de clculo en una extensa variedad de aplicaciones.
Conversin Texto a Voz: uno de los principales promotores de la computacin
neuronal en esta rea es Terrence Sejnowski. La conversin texto-voz consiste en
cambiar los smbolos grficos de un texto en lenguaje hablado. El sistema de
computacin neuronal presentado por Sejnowski y Rosemberg, el sistema llamado
NetTalk, convierte texto en fonemas y con la ayuda de un sintetizador de voz (Dectalk)
genera voz a partir de un texto escrito.
Procesado Natural del Lenguaje: Incluye el estudio de cmo se construyen las
reglas del lenguaje. Los cientficos del conocimiento Rumelhart y McClelland han
integrado una red neuronal de proceso natural del lenguaje. El sistema realizado ha
aprendido el tiempo verbal pass tense de los verbos en ingls. Las caractersticas
propias de la computacin neuronal como la capacidad de generalizar a partir de datos
incompletos y la capacidad de abstraer, permiten al sistema generar buenos
pronsticos para verbos nuevos o verbos desconocidos.

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

Pgina 7

REDES NEURONALES ARTIFICIALES

INTELIGENCIA ARTIFICIAL

Compresin de Imgenes: La compresin de imgenes es la transformacin de los

datos de una imagen a una representacin diferente que requiera menos memoria o
que se pueda reconstruir una imagen imperceptible. Cottrel, Munro y Zisper de la
Universidad de San Diego y Pisttburgh han diseado un sistema de compresin de
imgenes utilizando una red neuronal con un factor de compresin de 8:1.
Reconocimiento de Caracteres: Es el proceso de interpretacin visual y de
clasificacin de smbolos. Los investigadores de Nestor, Inc. han desarrollado un
sistema de computacin neuronal que tras el entrenamiento con un conjunto de tipos
de caracteres de letras, es capaz de interpretar un tipo de carcter o letra que no haya
visto con anterioridad.
Reconocimiento de Patrones en Imgenes: Una aplicacin tpica es la clasificacin
de objetivos detectados por un sonar. Existen varias ANN basadas en la popular
Backpropagation cuyo comportamiento es comparable con el de los operadores
humanos. Otra aplicacin normal es la inspeccin industrial.
Problemas de Combinatoria: En este tipo de problemas la solucin mediante clculo
tradicional requiere un tiempo de proceso (CPU) que es exponencial con el nmero de
entradas. Un ejemplo es el problema del vendedor; el objetivo es elegir el camino ms
corto posible que debe realizar el vendedor para cubrir un nmero limitado de ciudades
en un rea geogrfica especfica. Este tipo de problema ha sido abordado con xito por
Hopfield y el resultado de su trabajo ha sido el desarrollo de una ANN que ofrece
buenos resultados para este problema de combinatoria.
Procesado de la Seal: En este tipo de aplicacin existen tres clases diferentes de
procesado de la seal que han sido objeto de las ANN como son la prediccin, el
modelado de un sistema y el filtrado de ruido.
Prediccin: En el mundo real existen muchos fenmenos de los que conocemos su
comportamiento a travs de una serie temporal de datos o valores. Lapedes y Farber
del Laboratorio de Investigacin de los lamos, han demostrado que la red
backpropagation supera en un orden de magnitud a los mtodos de prediccin
polinmicos y lineales convencionales para las series temporales caticas.

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

Pgina 8

REDES NEURONALES ARTIFICIALES

INTELIGENCIA ARTIFICIAL

Modelado de Sistemas: Los sistemas lineales son caracterizados por la funcin de

transferencia que no es ms que una expresin analtica entre la variable de salida y
una variable independiente y sus derivadas. Las ANN tambin son capaces de
aprender una funcin de transferencia y comportarse correctamente como el sistema
lineal que est modelando.
Filtro de Ruido: Las ANN tambin pueden ser utilizadas para eliminar el ruido de una
seal. Estas redes son capaces de mantener en un alto grado las estructuras y valores
de los filtros tradicionales.
Modelos Econmicos y Financieros: Una de las aplicaciones ms importantes del
modelado y pronstico es la creacin de pronsticos econmicos como por ejemplo los
precios de existencias, la produccin de las cosechas, el inters de las cuentas, el
volumen de las ventas etc. Las redes neuronales estn ofreciendo mejores resultados
en los pronsticos financieros que los mtodos convencionales.
ServoControl: Un problema difcil en el control de un complejo sistema de
servomecanismo es encontrar un mtodo de clculo computacional aceptable para
compensar las variaciones fsicas que se producen en el sistema. Entre los
inconvenientes destaca la imposibilidad en algunos casos de medir con exactitud las
variaciones producidas y el excesivo tiempo de clculo requerido para la obtencin de
la solucin matemtica. Existen diferentes redes neuronales que han sido entrenadas
para reproducir o predecir el error que se produce en la posicin final de un robot. Este
error se combina con la posicin deseada para proveer una posicin adaptativa de
correccin y mejorar la exactitud dela posicin final.

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

Pgina 9