12/02/2015

INTRODUCCION A LA REDES
NEURONALES ARTIFICIALES

El computador y el hombre
realizan bien, diferentes clases
de tareas; as la operacin de
reconocer el rostro de una
persona resulta una tarea
relativamente sencilla para el
hombre y difcil para el
computador, mientras que la
contabilidad de una empresa es
tarea costosa para un experto
contable y una sencilla rutina
para un computador bsico.

El cerebro humano est

compuesto por una gran
cantidad de elementos
bsicos denominados
neuronas
Bsicamente las
neuronas estn formadas
por:
Un cuerpo central o Ncleo
Un mecanismo de conexin
con otras neuronas
(sinapsis):
Axn y dendritas

Una red neuronal artificial es una herramienta

diseada para emular la forma en que el cerebro
humano funciona

Cmo funciona el cerebro humano ?

Cmo aprende el ser humano ?
Dnde se guarda el conocimiento ?
Por qu es tan eficiente el cerebro humano ?

Los estmulos recibidos en el cerebro

son transmitidos entre las neuronas
mediante las conexiones sinpticas.
Cuando una neurona es estimulada
libera una pequea cantidad de un
componente qumico (neurotransmisor).
Este viaja a travs del axn hasta llegar a
las dendritas de otras neuronas en las
cuales el proceso se repite.
Este proceso sirve para incrementar o
disminuir la relacin entre las neuronas
involucradas en el.
As, ante un determinado estmulo
ciertas neuronas se activan y otras se
inhiben

12/02/2015

Mediante un proceso de aprendizaje se logran

establecer los niveles correctos de activacininhibicin de las neuronas
Cuando este proceso se completa entonces ante
determinados estmulos sabemos como responder y
aprendemos
El conocimiento adquirido est entonces en los
niveles de relacin entre las neuronas logrados
durante el proceso de aprendizaje
El cerebro es entrenado por repeticin de
estmulos !
Ejemplo: Los nios !

Cmo puede ser el cerebro tan eficiente ?

Por la enorme cantidad de neuronas (aprox. 100
billones) y la manera en que estn interconectadas
(aprox. 60 trillones de sinapsis)
Por la capacidad de organizarse, construir reglas y
aprender de la experiencia
Qu es y cmo construir una red neuronal
artificial?
Es un procesador distribuido paralelamente que
tiene una propensin natural para almacenar
conocimiento experimental y puesta a disposicin
para su uso (Haykin, 1994)

La RNA estn inspiradas en las RNB del cerebro

humano
Las RNA estn constituidas por elementos (NA) que
se comportan de forma similar a la NB en sus
funciones mas comunes.
Estos elementos estn organizados de una forma
parecida a la que presenta el cerebro humano
Las RNA al margen de parecerse al cerebro presenta
una serie de caractersticas propias del cerebro.
Por ejemplo la RNA
Aprenden de la experiencia
Generalizan de ejemplos previos a ejemplos nuevos
Abstraen las caractersticas principales de una serie de datos

Aprender:
Adquirir el conocimiento de una cosa por medio del estudio ,
ejercicio o experiencia.
Las RNA pueden cambiar su comportamiento en funcin del entorno
Se les muestra un conjunto de entradas y ellas mismas se ajustan para
producir unas salidas consistentes.

Generalizar:
Extender o ampliar una cosa.
Las RNA generalizan automticamente debido a su propio estructura y
naturaleza.
Estas redes puedes ofrecer, dentro de un margen, respuestas correctas
a entradas que presentan pequeas variaciones debido a los efectos de
ruido o distorsin.

12/02/2015

Abstraer:
Aislar mentalmente o considerar por separado las cualidades de un
objeto.
Algunas RNA son capaces de abstraer la esencia de un conjunto de
entradas que aparentemente no presenta aspectos comunes o relativos.

La neurona es la unidad fundamental del sistema nervioso y en particular

del cerebro.
Cada neurona es una simple unidad procesadora que recibe y combina
seales desde y hacia otras neuronas.
Si la combinacin de entradas es suficientemente fuerte la salida de la
neurona se activa.

La seal ingresa por las dendritas atraviesan el cuerpo, el

axn (salida) y sale por las terminaciones nerviosas.

El axn de la neurona se ramifican en las terminaciones

nerviosas (salida) y estas estn conectadas a las dendritas
(entradas) de otras neuronas a travs de uniones llamadas
sinapsis.

12/02/2015

La funcin de activacin se utiliza para limitar el

rango de valores de la respuesta de la neurona.
Generalmente los rangos de valores se limitan a
[0,1] o [-1,1], sin embargo otros rangos son
posibles de acuerdo a la aplicacin o problema a
resolver.
Existen diversas funciones de activacin y la
decisin entre una u otra depender nuevamente
de la aplicacin o problema a resolver.
Existen funciones de activacin comnmente
utilizadas y con las cuales se han obtenido
resultados satisfactorios en diversas aplicaciones.

12/02/2015

12/02/2015

Las caractersticas especiales de los sistemas de

computacin neuronal permiten que sea utilizada
esta nueva tcnica de calculo en una extensa
variedad de aplicaciones.
La computacin neuronal provee un acercamiento
mayor al reconocimiento y percepcin humana
que los mtodos tradicionales de calculo.
Las RNAs presentan resultados razonables en
aplicaciones donde las entradas presentan ruido
o las entradas estn incompletas.

Algunas de la reas de aplicacin de la RNA:

Anlisis y Procesado de seales
Reconocimiento de Imgenes
Control de procesos
Filtrado de ruidos
Robtica
Procesado de Lenguaje
Diagnsticos mdicos
Otros

Topologa

Aprendizaje:
Las RNA tienen la habilidad de aprender mediante una etapa que
se llama etapa de aprendizaje.
Esta consiste en proporcionar a la RNA datos como entrada a su
vez que se le indica cual es la salida (respuesta) esperada.

Auto organizacin:
Una RNA crea su propia representacin de la informacin en su
interior , descargando al usuario de esta tarea.

Tolerancia a fallos
Debido a que una RNA almacena la informacin de forma
redundante, esta puede seguir respondiendo de manera aceptable
aun si se daa parcialmente.

Se pueden clasificar en:

Topologa
Tipo de Aprendizaje
Tipo de Informacin

Las RNA en funcin de su topologa (patrn

de conexiones) que presenta, se clasifican
en dos tipos bsicos de redes:
Las redes de propagacin hacia delante
La redes recurrentes

Las redes de propagacin hacia delante o

aciclicas.
Todas las seales van desde la capa de entrada hacia la
salida sin existir ciclos, ni conexiones entre neuronas de
la misma capa.
Monocapa
Perceptron
Adaline

Multicapa
Perceptron multicapa

12/02/2015

Topologa

Las redes de recurrentes

Son las que presentan al menos un ciclo
cerrado de activacin neuronal
Ejemplos:

Aprendizaje supervisado
Aprendizaje no supervisado o auto organizado
Redes hibridas
Aprendizaje reforzado

Elman
Hopfield
Maquina de Boltzmann

Tipo de Aprendizaje:

Aprendizaje supervisado

No necesitan de tal conjunto previo.

Ejemplos:

Ejemplos:

Perceptron simple
Red Adaline
Perceptron multicapa
La memoria asociativa bidireccional

Tipo de Aprendizaje:
Redes hibridas
Son un enfoque mixto en el que se utiliza una
funcin de mejora para facilitar la convergencia.
Ejemplo:
Las redes de base radial

Aprendizaje reforzado:

Tipo de Aprendizaje:
Aprendizaje no supervisado o auto organizado

Necesitan un conjunto de datos de entrada

previamente clasificado o cuya respuesta objetivo
conoce.

Las RNA en funcin del tipo de aprendizaje

de que es capaz (si necesita o no un
conjunto de entrenamiento supervisado) se
clasifica en:

Las memorias asociativas

Las redes de Hopfield
La maquina de Boltzmann
La maquina de Cauchy
Las redes de aprendizaje competitivo
Las redes de Kohonen o mapas autoorganizados y
Las redes de resonancia adaptativa

Tambin se pueden clasificar las RNAs

segn sean capaces de procesar un tipo de
informacin en:
Redes analgicas
Redes discretas

Se sita a medio camino entre el supervisado y el

auto organizado.

12/02/2015

Tipos de informacin:
Redes analgicas
Procesan datos de entrada con valores continuos
y habitualmente acotados.
Ejemplo:
Hopfield
Kohonen y
Las redes de aprendizaje competitivo.

Tipos de informacin:
Redes discretas
Procesan datos de entrada de naturaleza discreta
habitualmente valores lgicos booleanos.
Ejemplo:
La maquina de Boltzmann
La maquina de Cauchy y
La red discreta de Hopfield.