Redes Neuronales

Artificiales

Que son las Redes Neuronales

Artificiales?
Las redes neuronales artificiales
son sistemas paralelos para el
procesamiento
de
la
informacin, stas tratan de
resolver en forma eficiente
problemas
y
a
su
vez
representar el conocimiento de
un
modo
conexionista
y
adaptativo.
Se
denomina
tambin neuro computacin y se
compone de capas agrupadas
en donde varias redes ms los
interfaces
del
entorno
conforman el sistema global
denominado red neuronal que
est confeccionado y entrenado
para llevar a cabo una labor
especfica.

Como se origina la idea de este

sistema?
Alan Turing, en 1936, fue el
primero en estudiar el
cerebro como una forma de
ver
el
mundo
de
la
computacin

Entonces Nace la
IDEA

Funcionamiento bsico
Neurona Artificial:

Grupo de entradas (x)

Pesos sinpticos (w)
Funcin suma (net)
Funcin de activacin (act)
Una nica salida (y)
Funcionamiento en modo aprendizaje o
ejecucin

Tipos de Redes Neuronales

Red simple: Esta red tiene M entradas y N neuronas, cada una

de las M entradas est conectada a las N neuronas, las
neuronas no estn conectadas entre s, y se limitan a calcular
una respuesta para las entradas. La salida de la redes un vector
de N componentes.

Red con elementos de asociacin: Como un complemento de

la red simple, se puede agregar unas unidades de asociacin en
las cuales se combinan las entradas, y los resultados de las
combinaciones son las entradas de las neuronas, las cuales
calculan la salida de la red.

Redes multicapas: En este modelo de red neuronal se

agrupan las neuronas o unidades de procesamiento en
capas, lo que le brinda gran poder y robustez. La capa
de entrada esta conformada por tantas neuronas como
entradas tenga el sistema, la capa salida as mismo
tiene tantas neuronas como salidas se espere que
tenga el sistema, pero la capa oculta no tiene un
nmero fijo de capas o neuronas.

Modelo interactivo: Se tiene un conjunto de N neuronas

que se conectan todas entre s, es decir todas las unidades
sirven como unidades de entrada y como neuronas para
calcular la salida. Cada una de las unidades es alimentada
con una entrada y se recalculan los valores de la entrada
hasta que el sistema llegue a un estado estable.

Salida

PRINCIPALES TIPOS DE REDES

NEURONALES

PERCEPTRON
ADALINE
BACKPROPAGATION
APRENDIZAJE ASOCIATIVO

 PERCEPTRON
Esta consista en una suma de
las
seales
de
entrada,
multiplicadas por unos valores
de
pesos
escogidos
aleatoriamente. La entrada es
comparada con un patrn pre
establecido para determinar la
salida de la red. Si en la
comparacin, la suma de las
entradas multiplicadas por los
pesos es mayor o igual que el
patrn pre establecido la salida
de la red es uno (1), en caso
contrario la salida es cero (0).

 ADALINE
La red Adaline es similar
al Perceptrn, excepto
en
su
funcin
de
transferencia, la cual es
una funcin de tipo lineal
en lugar de un limitador
fuerte como en el caso
del
Perceptrn.
Sin
embargo el algoritmo
LMS es ms potente que
la regla de aprendizaje
del Perceptrn ya que
minimiza el error medio
cuadrtico.

 BACKPROPAGATION

Estas redes tienen la desventaja que solo pueden resolver problemas

linealmente separables, fue esto lo que llevo al surgimiento de las redes
multicapa para sobrepasar esta dificultad en las redes hasta entonces
conocidas. La Backpropagation es un tipo de red de aprendizaje
supervisado, que emplea un ciclo propagacin - adaptacin de dos fases.
Una vez que se ha aplicado un patrn a la entrada de la red como
estmulo, este se propaga desde la primera capa a travs de las capas
superiores de la red, hasta generar una salida. La seal de salida se
compara con la salida deseada y se calcula una seal de error para cada
una de las salidas.

APRENDIZAJE ASOCIATIVO
no requieren influencia
externa para ajustar los
pesos de las conexiones
entre sus neuronas, la
red no recibe ninguna
informacin por parte del
entorno que le indique si
la salida generada en
respuesta
a
una
determinada entrada es
o no correcta, por ello
suele decirse que estas
redes son capaces de
auto organizarse.

Aplicaciones

Sistemas y diseos
Probabilisticos

Prediccin del Tiempo y clima

Aplicaciones Microsoft Office Excel

Clculos de H, S, llama Adiabtica

PYTHIA: Editor y Creador de Redes

Neuronales

Redes Neuronales Aplicadas en Soldaduras

Composicin qumica del acero (% en peso)

Propiedades mecnicas del acero

Caractersticas tcnicas del equipo de

soldadura

Oscilograma de ultrasonidos de una

soldadura fra.

Macrografa de la seccin transversal de una soldadura

fra.

Oscilograma de ultrasonidos de una falta de soldadura.

Macrografa de la seccin transversal de una falta de soldadura.

Curvas MSE de entrenamiento y MSE de validacinnmero de neuronas en las capas ocultas.

Determinacin del nmero de neuronas en las

capas ocultas de la RNA

Otras Aplicaciones de las Redes Neuronales

Biologa:

Aprender ms acerca del cerebro y otros sistemas.

Obtencin de modelos de la retina.

Empresa:

Reconocimiento de caracteres escritos.

Identificacin de candidatos para posiciones especficas.
Optimizacin de plazas y horarios en lneas de vuelo.

Explotacin de bases de datos:

Evaluacin de probabilidad de formaciones geolgicas y

petrolferas.
Sntesis de voz desde texto.

Medio Ambiente:

Analizar tendencias y patrones.

Previsin del tiempo.

Finanzas:

Previsin de la evolucin de los precios.

Valoracin del riesgo de los crditos.

Manufacturacin:

Robots automatizados y sistemas de control (visin

artificial y sensores de presin, temperatura, gas, etc.)

Control de produccin en lneas de proceso:

Inspeccin de calidad.
Filtrado de seales.

Medicina:

Analizadores del habla para la ayuda de audicin de sordos

profundos.
Diagnstico y tratamiento a partir de sntomas y/o de datos
analticos (encefalograma).
Lectoras de Rayos X.
Entendimiento de causa de ataques epilpticos.
Militares:

Clasificacin de las seales de radar.

Creacin de armas inteligentes.
Optimizacin del uso de recursos escasos

Gracias por su
ATENCIN