NEOCOGNITRON

Integrantes:
Barrantes Cceres Csar Nicols.
Machuca Pajuelo Manuel Omar.
Prado Tenorio Andrs Joaquin.
Introduccin
El hombre siempre ha guardado el deseo profundo de poder reproducir
la habilidad cognoscitiva por medios artificiales.

Y este deseo puede verse reflejado en la aparicin de un rea del

estudio cientfico llamada "Inteligencia Artificial".
Introduccin
Una de las mltiples vertientes por las
cuales se ha desarrollado la investigacin,
es el desarrollo de las llamadas redes
neuronales.
QU ES UNA RED NEURONAL?

Una red neuronal es el intento para poder emular el comportamiento de

partes del cerebro humano, mediante la rplica en pequea escala de los
patrones que ste desempea para la formacin de resultados a partir de
los sucesos percibidos. Concretamente, se trata de poder analizar y
reproducir el mecanismo de aprendizaje y reconocimiento de sucesos que
poseen los animales ms evolucionados.
Reconocimiento de Patrones
Reconocimiento de Patrones
Una de las preguntas ms interesantes que se plantean al hablar de
este tema es la habilidad del cerebro para poder reconocer patrones. Se
denomina reconocimiento de patrones a la capacidad de poder
interpretar una imagen compleja (una foto, lo que ve el ojo) y actuar en
consecuencia. Las computadoras digitales fueron diseadas a partir de
una lgica binaria (de 2 valores 0 - 1 o Verdadero - Falso), lo cual si bien
facilit su construccin, ha tenido como efecto una gran dificultad para
procesar y reconocer imgenes, fotos, planos y dibujos.
Qu es neocognitron?

- Propuesta por el Profesor Kunihiko Fukushima.

- Red neuronal multicapa jerrquica.

- Reconocimiento de manuscritos.

- Basada en la estructura del nervio ptico humano.

Campo de Aplicacin
Arquitecturas como las de propagacin hacia atrs, tienden a tener
aplicabilidad general. Se puede utilizar el mismo tipo de red para
distintas aplicaciones, cambiando el tamao de la red, sus parmetros y
conjuntos de entrenamiento. Los creadores del neocognitrn,
propusieron formular una arquitectura adaptada a una aplicacin
concreta: el reconocimiento de caracteres escritos a mano.
Un poco sobre Fukushima...
El Dr.Fukushima es uno de los pioneros en el campo de redes
neuronales, ha estado modelando redes neuronales desde 1965.

Su inters especial cae sobre el modelamiento de redes neuronales de

las funciones altas del cerebro, en particular redes basadas en el
sistema visual.

Ha recibido numerosos premios por sus investigaciones en redes

neuronales, como las siguientes:

- Paper Award de la JNNS( Japanese Neuronal Network Society)

- Neuronal Networks Pioneer Award de la IEEE

Modelo del Necognitron basada en la
Estructura del Nervio ptico
Modelo del Neocognitron basada en la
Estructura del Nervio ptico.
Versiones
Hay muchas versiones diferentes del neocognitron en la actualidad. Dos
versiones bsicas originales propuestas por Profesor Fukushima difieren
principalmente en el principio de aprendizaje usado:

- Aprendiendo sin un maestro

- Aprendiendo con un maestro
Versiones
La primera versin del neocognitrn estaba basado en el aprendizaje
sin un maestro. Esta versin se llama a menudo el neocognitrn auto
organizado. Sin embargo, nosotros nos enfocaremos en la versin del
neocognitrn que es basado en el aprendizaje con un maestro, creemos
que esta versin es ms conveniente para la presentacin del principio
bsico del neocognitrn.

La ventaja principal de neocognitrn es su habilidad de reconocer

correctamente no slo patrones aprehendidos sino tambin aquellos
que son producidos a partir de estos usando cambios parciales, rotacin
u otro tipo de distorsin.
Estructura Bsica
El principio bsico del neocognitron es llamado la extraccin jerrquica
de rasgos, el cual consiste en la distribucin de rasgos extrados en
severas etapas.

En cada etapa la unin de estos rasgos representan al patrn

reconocido que se ha ingresado como entrada.
Principios de una Extraccin Jerrquica de
Rasgos
Estructura de la red: Etapas
La estructura del neocognitrn se deriva de una jerarqua de rasgos
extrados. Una etapa apropiada del neocognitrn se crea para cada
etapa de la jerarqua de rasgos extrados. La red contiene una etapa
adicional, etiquetada como etapa 0 que no se usa en contraste con las
etapas ms altas, que se usan para la extraccin de los rasgos.
Estructura de la red: Etapas
El nmero total de etapas del neocognitrn depende de la complejidad
de los patrones reconocidos.
Estructura de la red: Capas
Cada etapa del neocognitrn consiste de cierto nmero de capas de un
tipo dado.

Cada etapa consiste en 3 capas:

- Capa-S

- Capa-V

- Capa-C
Estructura de la red: Capas
Estructura de la red: Planos de Clulas
Cada capa en el neocognitron consiste en un nmero determinado de
planos de clulas del mismo tipo.

El nmero de planos de clulas en cada capa-S y C depende en el

nmero de rasgos extrados en la etapa correspondiente de la red.

Cada capa-V consiste nicamente en un plano de clulas.

Estructura de la red: Planos de Clulas
Estructura de la red: Clulas
El neocognitron est hecho de una gran cantidad de clulas de
diferentes tipos, las cuales estn organizadas en los planos de clulas,
las capas y las etapas.

El tamao de los arreglos de clulas son los mismos en todos los planos
en una capa, y empieza a disminuir al pasar de las etapas.
Estructura de la red: Clulas
Funcin: Clula-S
La funcin de la clula-S es extraer el rasgo determinado en la posicin
determinada en la capa de entrada.

Para la extraccin de este rasgo, la clula-S utiliza solo la informacin

obtenida de sus reas de conexin y la informacin de la actividad
promedio de las reas obtenidas de la clula-V correspondiente.

La habilidad de las clulas-S para extraer no solo rasgos aprendidos,

sino tambin representaciones deformadas de estos rasgos es
influenciado por la eleccin del parmetro denotado SELECTIVIDAD.
Selectividad
LEl proceso de extraccin de rasgos es influenciado por la selectividad.

Por cada capa-S podemos asignar una diferente cantidad de

selectividad en la construccin de la red.

El reducimiento de la selectividad causa el reducimiento del efecto de la

parte de inhibicin. La habilidad de las Clulas-S reducidas para
distinguir rasgos aprendidos es un resultado de eso.
Funcin: Clula-S
Funcin: Clula-C
Para que una clula-C sea activa es suficiente que al menos una clula-
S activa ste presente en su rea de conexin.

La habilidad de la clula-C para comprimir el contenido de la rea de

conexin en una determinada manera es la siguiente consecuencia de
la funcin de la clula-C.
Funcin: Clula-C
Tolerancia de cambio del rasgo
Asegurada por la clulas-C, una de las propiedades mas importantes del
neurocognitron.

El rea de conexin de una de las clulas-C es marcada en el plano-S.

Esta clula-C es activa solo si una clula-S esta activa en su rea de
conexin y la clula-S se activa por la presencia de la posicin correcta
del rasgo.
Tolerancia de cambio del rasgo
Clula-V
Las clulas-V evalan las salidas de las clulas-C de las reas de
conexin de la capa-C anterior.

El tamao de las reas de conexin es el mismo para todas la clulas-V

y clulas-S en una etapa de la red y es determinada en la construccin
de la red.
Funcin: Clula-V
Funciones: Clula-V
El valor de salida de la clula-V representa la actividad promedio de las
clulas de las reas de conexin y es utilizada para la inhibicin de la
actividad de la clula-S correspondiente.
Pesos y conexiones
Pesos-a
Pesos-b
Pesos-c
Pesos-d
Aprendizaje de la Red Neuronal y Clculo
La salida de una celular S es dada por:

Donde

La funcion de activacion es

Intensidad de la conexin inhibitoria es

Los pesos sinpticos son

La entrada inhibidora es

Si Cn =1, entonces

Donde
Aprendizaje de la Red Neuronal y Clculo
Actualizacin de Pesos:
Conclusiones
El neocognitrn es una de las herramientas mas poderosas y complejas
para el reconocimiento de patrones, particularmente para el
reconocimiento de la escritura hecha a mano. En este se puede
observar como se van identificando rasgos del objeto a reconocer a
travs de capas en diferentes etapas.
Bibliografa
Arroyo L. Redes Neuronales. 2004.
Choque G. Inteligencia Artificial - Perspectivas y Realizaciones.
2002.
Van der Smagt P., Krose B. An Introduction to Neural Networks.
1996. Universidad de Amsterdam.
Fukushima K. Neocognitron: A self-organizing neural network model
for a mechanism of pattern recognition unaffected by shift in
position. 1980. Biological Cybernetics, pp. 193-202.
Freeman J., Skapura D. Neural Networks, Algorithms, Applications
and Programming Techniques. 1991. Ed. Addison Wesley.