Beruflich Dokumente
Kultur Dokumente
REDES NEURONALES I
Definiciones.
Referencias histricas.
El modelo biolgico.
El modelo matemtico.
Diferentes esquemas de RNA.
Analoga biolgica artificial.
Clasificacin de las RNA.
Mecanismos de aprendizaje.
Ejemplo de aplicacin.
Referencias bibliogrficas.
RNA - DEFINICIONES
REFERENCIAS HISTRICAS
El cerebro
humano
EL MODELO BIOLGICO
Sistema de
procesamiento no lineal
y paralelo.
Aproximadamente 1010
neuronas.
Alrededor de 1012
interconexiones.
Las interconexiones se
modifican en funcin al
tiempo.
Los estmulos externos
pueden sensibilizar la
calidad y cantidad de
interconexiones.
EL MODELO BIOLGICO
EL MODELO BIOLGICO
La neurona biolgica
EL MODELO BIOLGICO
EL MODELO MATEMTICO
EL MODELO MATEMTICO
La neurona artificial
Entradas
x1
x2
w1
w2
Pesos
xn
wn
Bias
Funcin de
activacin
Salida
Funcin de excitacin
EL MODELO MATEMTICO
Funciones internas
wji
xi
lineal
f j xi .wij j
i 1
signo
cuadrtica
f j xi2 .wij j
rampa
i 1
fj
-2
(x .w )
i
i 1
ij
esfrica
2
sigmoide
10
EL MODELO MATEMTICO
0,75
2
Entradas X = [1 ; 0 ; 1]
Pesos W = [0,75 ; 2 ; -0,5]
-0,5
1
Funcin de
excitacin
}
}
Funcin de
activacin
Se corresponde
con la neurona
original de
McCulloch-Pitts
S(X . W)
lineal f =
1*0,75+0*2+1*(-0,5) = 0,25
0 si f 0
1 si f > 0
escaln y = g(f) =
=1
11
EL MODELO MATEMTICO
0,5
2
Entradas X = [1 ; 0 ; 1]
Pesos W = [0,5 ; 2 ; -0,75]
-0,75
1
Funcin de
excitacin
}
}
Funcin de
activacin
lineal f =
Se corresponde
con la neurona
original de
McCulloch-Pitts
(X . W)
1*0,5+0*2+1*(-0,75)
= -0,25
0 si f 0
1 si f > 0
escaln y = g(f) =
=0
12
13
TOPOLOGA DE REDES
Salida
Entrada
Bicapa
Salida
Entrada
Monocapa
Multicapa
Entrada
Capa de
entrada
Capas internas
(ocultas)
Salida
...
...
Capa de
salida
14
TOPOLOGA DE REDES
Seales de salida
Seales de entrada
Seales de salida
Seales de entrada
Conexiones progresivas:
Transmiten la informacin
hacia delante.
Conexiones regresivas:
Transmiten la informacin
hacia atrs, a la entrada o
hacia capas anteriores.
Conexiones laterales:
Transmiten la informacin
entre neuronas de la
misma capa. Permiten
competir.
Conexiones autolazo:
realimentan la informacin
a la entrada de la misma
neurona. Permiten
mantener la salida.
15
PROPIEDADES INTRNSECAS
Redes Neuronales
Artificiales
Neuronas Unidades de proceso
17
Segn la topologa
CLASIFICACIN
Ref.
Garca Martnez
et al, Sistemas
Inteligentes.
18
CLASIFICACIN
Segn la
topologa
Redes multicapa: Las
neuronas se organizan en
varias capas, con
distintos tipos de
conexiones. Estas
estructuras suelen
utilizarse para realizar
tareas ms complejas.
Por ejemplo redes
feedforward, redes ART.
Ref.
Garca Martnez
et al, Sistemas
Inteligentes.
19
CLASIFICACIN
Ref.
Garca Martnez
et al, Sistemas
Inteligentes.
20
CLASIFICACIN
Segn el tipo
de aprendizaje
Redes con aprendizaje no
supervisado: La RNA no
21
CLASIFICACIN
CLASIFICACIN
CLASIFICACIN
Segn el
tipo de
seales
de
entradasalida
Ref.
Garca Martnez
et al, Sistemas
Inteligentes.
24
CLASIFICACIN
Segn el proceso de
actualizacin
Redes sincrnicas o determinsticas: Son
PROCESOS DE APRENDIZAJE
El aprendizaje es el proceso
por el cual una red neuronal modifica sus
pesos en respuesta a una informacin de
entrada.
26
PROCESOS DE APRENDIZAJE
Aprendizaje supervisado
27
PROCESOS DE APRENDIZAJE
Capa de salida
np
pesos
pm
pesos
m neuronas
salida
actual
n neuronas
p neuronas
error
salida
deseada
28
PROCESOS DE APRENDIZAJE
5.
6. Volver al paso 2.
29
PROCESOS DE APRENDIZAJE
Aprendizaje no supervisado
Feed-Forward Backpropagation
Capa intermedia
15 neuronas log-sig
Capa de salida
1 neurona tan-sig
Variable de
salida
Variables de
entrada
Capa de entrada
5 entradas
(Recurrente)
Realimentacin de la salida
con retardo de 1 muestra
31
RNA EJEMPLO
EjemploDE
deRED
redNEURONAL
neuronal
Feed-forward Backpropagation
(Recurrente)
Sistema de
deteccin de fallas
en un
tanque hidrulico
Prueba de deteccin
de componentes
principales por
anulacin de entradas
32
RNA APLICACIONES
Aplicaciones
Deteccin de trayectorias.
Prediccin de series temporales.
Reconocimiento ptico de caracteres.
REFERENCIAS
34