UNIVERSIDAD NACIONAL

Santiago Antnez de Mayolo

FACULTAD DE CIENCIAS

ESCUELA PROFESIONAL DE INGENIERA

DE SISTEMAS E INFORMTICA

REDES NEURONALES
CURSO: SIMULACIN DE
SISTEMAS
DOCENTE: MEDINA
VILLACORTA Alberto
Ciclo:

GRUPO SKYNET
INTEGRANTES:
ARAOZ SOLIS Aldo
NORABUENA ARANDA Arnold
APARICIO LLIUYA Alexander
QUISPE David

SANCHEZ

Evolucin de las "Redes Neuronales

1936

1950

1949

1961

1957

1956

1960

1969

1974

1977

1985

1986

1936 -ALAN TURING

1949 DONALD HEBB

Escribi un importante libro: La organizacin
del comportamiento, en el que se establece
una conexin entre psicologa y fisiologa. Fue
el primero en explicar los procesos del
aprendizaje (que es el elemento bsico de la
inteligencia humana) desde un punto de vista
psicolgico. Su idea fue que el aprendizaje
ocurra cuando ciertos cambios en una
neurona eran activados. Tambin intent
encontrar semejanzas entre el aprendizaje y la
actividad nerviosa. Los trabajos de Hebb
formaron las bases de la Teora de las Redes
Neuronales.

1950 - KARL LASHLEY

En sus series de ensayos, encontr que la
informacin no era almacenada en forma
centralizada en el cerebro sino que era
distribuida encima de l.

1956 Congreso de Dartmouth

Este Congreso frecuentemente se menciona
para indicar el nacimiento de la inteligencia
artificial.

1957 Frank Rosenblantt

Comenz el desarrollo del Perceptron. Esta
es la red neuronal ms antigua; utilizndose
hoy en da para aplicacin como
identificador de patrones. Este modelo era
capaz de generalizar, es decir, despus de
haber aprendido una serie de patrones
poda reconocer otros similares, aunque no
se le hubiesen presentado en el
entrenamiento. Sin embargo, tena una
serie de limitaciones, por ejemplo, su
incapacidad para resolver el problema de la
funcin OR-exclusiva y, en general, era
incapaz de clasificar clases no separables
linealmente.

1960 Bernard Widroff/Marcian Hoff

Desarrollaron el modelo Adaline

(ADAptative LINear Elements). Esta fue la
primera red neuronal aplicada a un
problema real (filtros adaptativos para
eliminar ecos en las lneas telefnicas) que
se ha utilizado comercialmente durante
varias dcadas.

1974 Paul Werbos

Desarroll la idea bsica del algoritmo de aprendizaje de
propagacin hacia atrs (backpropagation); cuyo significado
qued definitivamente aclarado en 1985.

1977 Stephen Grossberg

Teora de Resonancia Adaptada (TRA). La Teora de
Resonancia Adaptada es una arquitectura de red que se
diferencia de todas las dems previamente inventadas. La
misma simula otras habilidades del cerebro: memoria a
largo y corto plazo.

1985 John Hopfield

Provoc el renacimiento de las redes

neuronales con su libro: Computacin
neuronal de decisiones en problemas de
optimizacin.

1986 David Rumelhart/ G. Hinton

Redescubrieron el algoritmo de aprendizaje
de propagacin hacia atrs
(backpropagation).
A partir de 1986, el panorama fue
alentador con respecto a las
investigaciones y el desarrollo de las
redes neuronales. En la actualidad, son
numerosos los trabajos que se realizan
y publican cada ao, las aplicaciones
nuevas que surgen (sobre todo en el
rea de control) y las empresas que
lanzan al mercado productos nuevos,
tanto hardware como software (sobre
todo para simulacin).

Definiciones de una red neuronal.

1) Una nueva forma de

computacin, inspirada en
modelos biolgicos.

2) Un modelo matemtico
compuesto por un gran
nmero de elementos
procesales organizados en
niveles.

 3) Un sistema de computacin compuesto por un

gran nmero de elementos simples, elementos
de procesos muy interconectados, los cuales
procesan informacin por medio de su estado
dinmico como respuesta a entradas externas.

4) Redes neuronales artificiales son redes

interconectadas masivamente en paralelo de
elementos simples (usualmente adaptativos) y
con organizacin jerrquica, las cuales intentan
interactuar con los objetos del mundo real del
mismo modo que lo hace el sistema nervioso
biolgico.

Ventajas que ofrecen la red neuronal

Caractersticas semejantes a las del cerebro, capaces
de aprender de la experiencia, de generalizar de casos
anteriores a nuevos casos
Fcil

insercin

dentro

de

la

tecnologa existente.
Se

pueden

obtener

chips

especializados para redes neuronales

que mejoran su capacidad en ciertas
tareas. Ello facilitar la integracin
modular en los sistemas existentes.

Aprendizaje Adaptativo.
Capacidad de aprender a realizar
tareas basadas en un entrenamiento
o en una experiencia inicial.

Auto-organizacin.
Una red neuronal puede crear su
propia
organizacin
o
representacin de la informacin
que recibe mediante una etapa de
aprendizaje

Tolerancia a fallos.
La destruccin parcial de una red conduce a
una degradacin de su estructura; sin embargo,
algunas capacidades de la red se pueden
retener, incluso sufriendo un gran dao.

Operacin en tiempo real.

Los cmputos neuronales pueden ser

realizados
disean
hardware
capacidad.

en
y

paralelo;
fabrican

especial

para

esto

mquinas

para

obtener

se
con
esta

Elementos

Elementos Bsicos de una Red Neuronal

FUNCIONES

Funcin de Entrada (input

function)

La neurona trata a muchos valores de entrada como si

fueran uno solo, esto recibe el nombre de entrada global.

Dnde: * representa al operador apropiado (por ejemplo:

mximo, sumatoria, productoria, etc.), n al nmero de
entradas a la neurona Ni y wi al peso.

Funcin de Activacin
La funcin activacin calcula el estado de actividad de una neurona; transformando la
entrada global en un valor (estado) de activacin, cuyo rango normalmente va de (0 a 1) o de
(1 a 1).

Funcin de Salida
La funcin de salida determina que valor se transfiere a las
neuronas vinculadas.
Los valores de salida estn comprendidos en el rango [0, 1] o [-1,
1]. Tambin pueden ser binarios {0, 1} o {-1, 1}.

TIPOS

Tipos
Las neuronas artificiales se pueden clasificar de acuerdo a los valores
que pueden tomar.

TOPOLOGA DE LAS
REDES NEURONALES

REDES
MONOCAPA
Establecen conexiones entre las neuronas que
pertenecen a la nica capa que constituye la
red. Se utilizan generalmente en tareas
relacionadas con lo que se conoce como auto
asociacin.

REDES
MULTICAPA
Son aquellas que
disponen de un
conjunto
de
neuronas
agrupadas
en
varios niveles o
capas.

FEEDFORWAR
D

FEEDBACK

REDES
RECURRENTES
HOPFIEL
D
Lasredes
recurrentesque
presentan al menos
un ciclo cerrado de
activacin neuronal.

MQUINA DE
BOLTZMANN
RED ELMAN
BACKPROPAGA
TION
RED
HOPFIELD

ASOCIACIONES ENTRE
LA INFORMACIN DE
ENTRADA Y SALIDA.

HETERO-ASOCIACIN
Una red con los siguientes datos:
[( );]
Aprende parejas de datos.

Informacin

de
entrada:

AUTO-ASOCIACIN
red con los siguientes datos:
Una
Auto-correlacin, respondiendo con uno de
los datos almacenados.

Salida

asociada:

Salida

:
Informacin de
entrada

APLICACIONES DE LAS REDES

NEURONALES.
Las redes neuronales pueden utilizarse en un gran nmero y
variedad de aplicaciones, tanto comerciales como militares.
Se pueden desarrollar redes neuronales en un periodo de
tiempo razonable, con la capacidad de realizar tareas
concretas mejor que otras tecnologas.
Presentan una alta tolerancia a fallos del sistema.
Esto posibilita la insercin de redes neuronales de bajo coste
en sistemas existentes y recientemente desarrollados.

BIOLOGA:
Aprender ms acerca del cerebro y otros sistemas.
Obtencin de modelos de la retina.

EMPRESA:
Evaluacin de probabilidad de formaciones geolgicas y
petrolferas.
Identificacin de candidatos para posiciones especficas.
Explotacin de bases de datos.
Optimizacin de plazas y horarios en lneas de vuelo.
Optimizacin del flujo del trnsito controlando
convenientemente la temporizacin de los semforos.
Reconocimiento de caracteres escritos.
Modelado de sistemas para automatizacin y control.

MEDIO AMBIENTE:
Analizar tendencias y patrones.
Previsin del tiempo.

FINANZAS:
Previsin de la evolucin de los
precios.
Valoracin del riesgo de los
crditos.
MANUFACTURACIN:
Identificacin de falsificaciones.
Robots automatizados ysistemas
de control
(visin artificial
Interpretacin
de firmas.
y sensores de presin, temperatura, gas, etc.).
Control de produccin en lneas de procesos.
Inspeccin de la calidad.

MEDICINA:

Analizadores del habla para ayudar en la audicin de

sordos profundos.
Diagnstico y tratamiento a partir de sntomas y/o de
datos analticos (electrocardiograma, encefalogramas,
anlisis sanguneo, etc.).
Monitorizacin en cirugas.
Prediccin de reacciones adversas en los medicamentos.
Entendimiento de la causa de los ataques cardacos.

MILITARES:

Clasificacin de las seales de radar.

Creacin de armas inteligentes.
Optimizacin del uso de recursos escasos.
Reconocimiento y seguimiento en el tiro al blanco.

Desde el punto de vista de los casos de aplicacin, la

ventaja de las redes neuronales reside en el
procesado paralelo, adaptativo y no lineal.

A pesar de estas limitaciones las tcnicas basadas en

RNA aplicadas a la recuperacin de la informacin,
constituyen un campo de investigacin muy
prometedor que va a brindar muchos resultados a
corto y medio plazo.

MUCHAS
GRACIAS