Redes neuronales artificiales

Agentes InteligentesAgentes Inteligentes 20062006 11
Redes Neuronales Artificiales:Redes Neuronales Artificiales:
Topologías y AplicacionesTopologías y Aplicaciones
Autores:Autores:
Carlos Díaz PardoCarlos Díaz Pardo
Sergio Esperalta GataSergio Esperalta Gata
Juan Pablo Sicilia SenovillaJuan Pablo Sicilia Senovilla

ÍNDICEÍNDICE
- Bloque 1:Bloque 1:
- 1. Introducción: ¿Qué son las RNA?1. Introducción: ¿Qué son las RNA?
- 2. Características de las RNA2. Características de las RNA
- 3. Topologías de las RNA3. Topologías de las RNA
- 3.1 Perceptrón3.1 Perceptrón
- 3.2 Backpropagation3.2 Backpropagation
- 3.3 Hopfield3.3 Hopfield
- 3.4 Kohonen3.4 Kohonen
- Bloque 2:Bloque 2:
- 4. Aplicaciones comerciales que usan RNA:4. Aplicaciones comerciales que usan RNA:
- 4.1 Neural Stock4.1 Neural Stock
- 4.2 Pandora4.2 Pandora
- 4.3 Optimach4.3 Optimach
- 4.4 Attrasoft4.4 Attrasoft
- 5. Descripción teórica de una aplicación:5. Descripción teórica de una aplicación:
- Detección de obstáculos por medio de un robotDetección de obstáculos por medio de un robot

1. Introducción: ¿Qué son las RNA?1. Introducción: ¿Qué son las RNA?
- RNA:RNA:
- Un paradigma de aprendizaje y procesamientoUn paradigma de aprendizaje y procesamiento
computacional inspirado en la forma en quecomputacional inspirado en la forma en que
funciona el sistema nervioso cerebral del serfunciona el sistema nervioso cerebral del ser
humano.humano.
- Están compuestas de un gran número elementos deEstán compuestas de un gran número elementos de
procesamiento altamente interconectados (Neuronas)procesamiento altamente interconectados (Neuronas)
trabajando al mismo tiempo para la solución detrabajando al mismo tiempo para la solución de
problemas específicos.problemas específicos.
- Es una “nueva forma de computación” capaz deEs una “nueva forma de computación” capaz de
manejar las imprecisiones e incertidumbres quemanejar las imprecisiones e incertidumbres que
aparecen cuando se trata de resolver problemasaparecen cuando se trata de resolver problemas
relacionados con el mundo real (reconocimiento derelacionados con el mundo real (reconocimiento de
formas, toma de decisiones, etc..).formas, toma de decisiones, etc..).
- Ofrece soluciones robustas y de fácil implementación.Ofrece soluciones robustas y de fácil implementación.
 BLOQUE 1:BLOQUE 1:
 1. Introducción:1. Introducción:
¿Qué son las RNA?¿Qué son las RNA?
 2. Características2. Características
de las RNAde las RNA
 3. Topologías de las3. Topologías de las
RNARNA
 4. Aplicaciones que4. Aplicaciones que
usan RNAusan RNA
 5. Descripción teórica5. Descripción teórica
de una aplicaciónde una aplicación

1. Introducción: ¿Qué son las RNA?1. Introducción: ¿Qué son las RNA?
- RNA:RNA:
- Las RNA han sido entrenadas para la realización deLas RNA han sido entrenadas para la realización de
funciones complejas en variados campos de aplicación.funciones complejas en variados campos de aplicación.
- Hoy en día pueden ser entrenadas para la solución deHoy en día pueden ser entrenadas para la solución de
problemas que son difíciles para sistemasproblemas que son difíciles para sistemas
computacionales comunes o para el ser humano.computacionales comunes o para el ser humano.
RNARNA
usan RNAusan RNA

2. Características de las RNA2. Características de las RNA
- Pesos:Pesos:
- Los pesos son factores que establecen la fuerza deLos pesos son factores que establecen la fuerza de
interconexión con las otras neuronas.interconexión con las otras neuronas.
- Pesos fijos:Pesos fijos:
Las tareas de las neuronas previamente definidas.Las tareas de las neuronas previamente definidas.
- Pesos adaptables:Pesos adaptables:
Emplean las leyes de aprendizaje para determinarEmplean las leyes de aprendizaje para determinar
su fuerza con otras neuronas.su fuerza con otras neuronas.
Son esenciales si no se conoce previamente suSon esenciales si no se conoce previamente su
valor correcto, debido a la descripción del problemavalor correcto, debido a la descripción del problema
RNARNA
usan RNAusan RNA

- Tipos de aprendizaje:Tipos de aprendizaje:
- Supervisado:Supervisado:
Cuando se le proporciona a la red tanto la entradaCuando se le proporciona a la red tanto la entrada
como la salida correcta, y la red ajusta sus pesoscomo la salida correcta, y la red ajusta sus pesos
tratando de minimizar el error de su salidatratando de minimizar el error de su salida
calculada. Este tipo de entrenamiento se aplica porcalculada. Este tipo de entrenamiento se aplica por
ejemplo, en el reconocimiento de patronesejemplo, en el reconocimiento de patrones
- No supervisado:No supervisado:
A la red se le proporcionan únicamente losA la red se le proporcionan únicamente los
estímulos, y la red ajusta sus interconexionesestímulos, y la red ajusta sus interconexiones
basándose en ellos y en la salida de la propia red.basándose en ellos y en la salida de la propia red.
Las leyes de aprendizaje determinan como la redLas leyes de aprendizaje determinan como la red
ajustará sus pesos utilizando una función de error oajustará sus pesos utilizando una función de error o
algún otro criterio, según el problema a resolver.algún otro criterio, según el problema a resolver.
RNARNA
usan RNAusan RNA

- Fases de operación:Fases de operación:
- 1. Entrenamiento o aprendizaje:1. Entrenamiento o aprendizaje:
El usuario proporciona a la red un númeroEl usuario proporciona a la red un número
"adecuado" de estímulos de entrada, y de salida, la"adecuado" de estímulos de entrada, y de salida, la
red entonces ajusta su pesos de interconección ored entonces ajusta su pesos de interconección o
sinápsis hasta que la salida de la red esta "losinápsis hasta que la salida de la red esta "lo
suficientemente cerca" de la salida correcta.suficientemente cerca" de la salida correcta.
- 2. Recuperación de lo aprendido:2. Recuperación de lo aprendido:
A la red se le presenta un conjunto de estímulos deA la red se le presenta un conjunto de estímulos de
entrada y esta simplemente calcula su salida.entrada y esta simplemente calcula su salida.
Cuando la red emplea entrenamiento noCuando la red emplea entrenamiento no
supervisado, algunas veces será necesario quesupervisado, algunas veces será necesario que
reajuste su sinápsis durante la fase dereajuste su sinápsis durante la fase de
recuperación.recuperación.
RNARNA
usan RNAusan RNA

- No es un método algorítmico:No es un método algorítmico:
- No se programan haciéndoles seguir unaNo se programan haciéndoles seguir una
secuencia predefinida de instrucciones.secuencia predefinida de instrucciones.
- Las RNA generan ellas mismas sus propiasLas RNA generan ellas mismas sus propias
"reglas", para asociar la respuesta a su entrada; es"reglas", para asociar la respuesta a su entrada; es
decir, aprende por ejemplos y de sus propiosdecir, aprende por ejemplos y de sus propios
errores.errores.
- Esta es la gran diferencia con cualquier otra técnicaEsta es la gran diferencia con cualquier otra técnica
de computación.de computación.
RNARNA
usan RNAusan RNA

- No son deseables para todo tipo de problemas:No son deseables para todo tipo de problemas:
- Son propicias para:Son propicias para:
- Clases de problemas que mejor resuelve el serClases de problemas que mejor resuelve el ser
humano:humano:
- Asociación, evaluación, y reconocimiento deAsociación, evaluación, y reconocimiento de
patrones.patrones.
- Perfectas para problemas que son muy difíciles dePerfectas para problemas que son muy difíciles de
calcular pero quecalcular pero que no requieren de respuestasno requieren de respuestas
perfectasperfectas,, sólo respuestas rápidas y buenas.sólo respuestas rápidas y buenas.
- Utilizadas con mucho éxito también en:Utilizadas con mucho éxito también en:
- Reconocer retornos de sonar bajo el agua.Reconocer retornos de sonar bajo el agua.
- Reconocer escritura a mano.Reconocer escritura a mano.
- Reconocer voz.Reconocer voz.
- Topografía de terrenos.Topografía de terrenos.
- Control de brazos de robots.Control de brazos de robots.
- Evaluar datos personales.Evaluar datos personales.
- Modelar fenómenos cognocitivos.Modelar fenómenos cognocitivos.
- Predecir tendencias financieras.Predecir tendencias financieras.
RNARNA
usan RNAusan RNA

- No son deseables para todo tipo de problemas:No son deseables para todo tipo de problemas:
- No son propicias para:No son propicias para:
- Cálculos precisos.Cálculos precisos.
- Procesamiento serie.Procesamiento serie.
- Problemas probabilísticos sin patrón alguno.Problemas probabilísticos sin patrón alguno.
- Ejemplo: no pueden predecir la lotería.Ejemplo: no pueden predecir la lotería.
- En definitiva, no son capaces de reconocer nada queEn definitiva, no son capaces de reconocer nada que
no tenga inherentemente algún tipo de patrón que lesno tenga inherentemente algún tipo de patrón que les
permita entrenarse.permita entrenarse.
RNARNA
usan RNAusan RNA

3. Topologías de las RNA3. Topologías de las RNA
- Existen varias formas de interconectar las RNA:Existen varias formas de interconectar las RNA:
- Elegir la correcta topología y sus características, esElegir la correcta topología y sus características, es
imprescindible para lograr fácilmente la solución delimprescindible para lograr fácilmente la solución del
problema.problema.
- Vamos a analizar las siguientes topologías:Vamos a analizar las siguientes topologías:
- Perceptron
- Backpropagation
- Hopfield (recurrente)
- Kohonen (competitiva)
 3. Topologías de3. Topologías de
las RNAlas RNA
usan RNAusan RNA

- Perceptrón:Perceptrón:
- Es la arquitectura base de todas las RNAEs la arquitectura base de todas las RNA
- Pesos:negativos o inhibidores (-1) o positivos o excitadores (+1)
- Entrenamiento: según la función delta: dW = LR ( T - Y ) X
- - El perceptron puede tener capas (k-capas).El perceptron puede tener capas (k-capas).
- LR es la razón de aprendizaje, T el valor deseado, Y el valorLR es la razón de aprendizaje, T el valor deseado, Y el valor
obtenido, y X la entrada aplicada al perceptrón.obtenido, y X la entrada aplicada al perceptrón.
las RNAlas RNA
usan RNAusan RNA

- Perceptrón:Perceptrón:
- Aplicaciones del Perceptrón:Aplicaciones del Perceptrón:
 Se puede entrenar una red para formar el tiempo pasadoSe puede entrenar una red para formar el tiempo pasado
de los verbos en ingles, leer texto en ingles y manuscrito.de los verbos en ingles, leer texto en ingles y manuscrito.
 El Perceptrón multicapa (MLP) puede ser usado para laEl Perceptrón multicapa (MLP) puede ser usado para la
predicción de una serie de datos en el tiempo; tal a sido supredicción de una serie de datos en el tiempo; tal a sido su
éxito en la medición de la demanda de gas y electricidad,éxito en la medición de la demanda de gas y electricidad,
además de la predicción de cambios en el valor de losademás de la predicción de cambios en el valor de los
instrumentos financieros.instrumentos financieros.
 Predicción de mercados financieros, diagnósticos médicos.Predicción de mercados financieros, diagnósticos médicos.
 NETtalkNETtalk es un Perceptrón que es capaz de transformares un Perceptrón que es capaz de transformar
texto en ingles en sonido individual (representacionestexto en ingles en sonido individual (representaciones
fonéticas) y la pronunciación con la utilización de unfonéticas) y la pronunciación con la utilización de un
sintetizador de voz; cuenta con aproximadamente 300sintetizador de voz; cuenta con aproximadamente 300
nodos de neuronas (siendo 80 en la capa escondida) ynodos de neuronas (siendo 80 en la capa escondida) y
20,000 conexiones individuales.20,000 conexiones individuales.
las RNAlas RNA
usan RNAusan RNA

- Backpropagation:Backpropagation: (red neuronal de propagación hacia atrás)(red neuronal de propagación hacia atrás)
- Si se combinan varios perceptrones en una "capa", y losSi se combinan varios perceptrones en una "capa", y los
estímulos de entrada después se suman tendremos ya una redestímulos de entrada después se suman tendremos ya una red
neuronal.neuronal.
- Muy eficaz para resolver fundamentalmente problemas deMuy eficaz para resolver fundamentalmente problemas de
reconocimiento de patronesreconocimiento de patrones..
- Distintos algoritmos posibles para el aprendizaje.
- Las neuronas de cada capa no se interconectan entre sí. SinLas neuronas de cada capa no se interconectan entre sí. Sin
embargo, cada neurona de una capa proporciona una entradaembargo, cada neurona de una capa proporciona una entrada
a cada una de las neuronas de la siguiente capa.a cada una de las neuronas de la siguiente capa.
las RNAlas RNA
usan RNAusan RNA

- Hopfield:Hopfield: ((redes de adaptación probabilística y recurrentes)redes de adaptación probabilística y recurrentes)
- Aprenden a reconstruir los patrones de entrada queAprenden a reconstruir los patrones de entrada que
memorizaron durante el entrenamiento.memorizaron durante el entrenamiento.
- Usa regla de aprendizaje no supervisado e interconexión total.Usa regla de aprendizaje no supervisado e interconexión total.
- Usada también como una herramienta de optimización.Usada también como una herramienta de optimización.
- Las neuronas se conectan todas entre sí, y consigo mismasLas neuronas se conectan todas entre sí, y consigo mismas
- Entrenamiento según la regla de Cooper-HebbEntrenamiento según la regla de Cooper-Hebb
- Aplicación:
- Percepción el reconocimientoPercepción el reconocimiento
de imágenesde imágenes
- Optimización de problemasOptimización de problemas
- Desarrollo de chips específicosDesarrollo de chips específicos
para este tipo de redes.para este tipo de redes.
(con gran inmunidad al ruido)(con gran inmunidad al ruido)
- Reconocimiento automático deReconocimiento automático de
voces y movimientos.voces y movimientos.
- Problemas:
- Mucho tiempo para converger a una solución estable (debido a su
complejidad).
- Tiende a caer en mínimos locales
las RNAlas RNA
usan RNAusan RNA

- Kohonen:Kohonen: ((redes competitivas)redes competitivas)
- Redes competitivasRedes competitivas o mapas de autoorganización, es decir,o mapas de autoorganización, es decir,
aprendizaje no supervisadoaprendizaje no supervisado..
- Poseen una arquitectura dePoseen una arquitectura de dos capasdos capas (entrada-salida) (una(entrada-salida) (una
sola capa de conexiones).sola capa de conexiones).
- A diferencia de Hopfield, sonA diferencia de Hopfield, son redes establesredes estables (r. en cascada).(r. en cascada).
- Cada una de las N neuronas de entrada se conecta a las M
de salida a través de conexiones hacia adelante (feedfoward).
- Aprendizaje:
- Aplicar un patrón de entrada (normalizando los pesos)Aplicar un patrón de entrada (normalizando los pesos)
- Calcular alguna medida de similitud/disimilitud (producto
interno o distancia euclídea) entre las entradas y los pesos
de las conexiones.
- La unidad de salida con los pesos más parecidos al patrónLa unidad de salida con los pesos más parecidos al patrón
de entrada es declarada ganadora.de entrada es declarada ganadora.
- Aplicación
- Clasificar patrones de entrada similares en cualquier
espacio n-dimensional
las RNAlas RNA
usan RNAusan RNA

4. Aplicaciones con RNA4. Aplicaciones con RNA
- Veremos un pequeño análisis de cuatro aplicacionesVeremos un pequeño análisis de cuatro aplicaciones
comerciales existentes que utilizan Redes Neuronalescomerciales existentes que utilizan Redes Neuronales
Artificiales para su funcionamiento. Y de este modo comprendeArtificiales para su funcionamiento. Y de este modo comprende
mejor su importancia en varias disciplinas.mejor su importancia en varias disciplinas.
4.1 Neural Stock
- Es un programa desarrollado por Infosel Financiero, en México.Es un programa desarrollado por Infosel Financiero, en México.
Combina las Redes Neuronales Artificiales, junto con tecnologíasCombina las Redes Neuronales Artificiales, junto con tecnologías
como Algoritmos Genéticos y Lógica Difusa, para obtener unacomo Algoritmos Genéticos y Lógica Difusa, para obtener una
capacidad de análisis acertada, recomendando operaciones decapacidad de análisis acertada, recomendando operaciones de
compra y venta en el mundo financiero y bursatil.compra y venta en el mundo financiero y bursatil.
- Información:Información:
- Página principal: Neural StockPágina principal: Neural Stock
- Fabricante: Neural Stock, S.A. de C.V.Fabricante: Neural Stock, S.A. de C.V.
- País: MéxicoPaís: México
- Programa analizado: GA Neural Stock 99 V.3.0Programa analizado: GA Neural Stock 99 V.3.0
- Características: Sistema de análisis bursatil/financiero.Características: Sistema de análisis bursatil/financiero.
- A pesar de tener ya bastante tiempo, en su momento fue unaA pesar de tener ya bastante tiempo, en su momento fue una
aplicación pioneraaplicación pionera en el terreno, que revoluciono el mercado.en el terreno, que revoluciono el mercado.
RNARNA
usan RNAusan RNA

4.1 Neural Stock
- Analiza elAnaliza el desarrollo del mercado financierodesarrollo del mercado financiero, dia tras día, con lo, dia tras día, con lo
que se lograque se logra entrenar a la redentrenar a la red, y en base a todo su historial de, y en base a todo su historial de
datos, puede predecir el siguiente movimiento a efectuar, actuandodatos, puede predecir el siguiente movimiento a efectuar, actuando
como uncomo un asesor en la compra y venta.asesor en la compra y venta.
- Herramientas como esta, no se "emocionan" sino que permanecenHerramientas como esta, no se "emocionan" sino que permanecen
objetivas y frías, a diferencia de lo que pudiera suceder con unaobjetivas y frías, a diferencia de lo que pudiera suceder con una
persona, al seguir alguna corazonada en el mundo de laspersona, al seguir alguna corazonada en el mundo de las
inversiones.inversiones.
- Según las instituciones privadas inversoras, Neural Stock es simple- Según las instituciones privadas inversoras, Neural Stock es simple
y sencillamente la herramienta más poderosa para obtener ely sencillamente la herramienta más poderosa para obtener el
máximo beneficio en sus negocios.máximo beneficio en sus negocios.
- Funcionamiento:Funcionamiento:
- Una red neuronal que se asocia a cada instrumento financiero.Una red neuronal que se asocia a cada instrumento financiero.
- En pocos minutos adquiere la experiencia necesaria.En pocos minutos adquiere la experiencia necesaria.
- Genera finalmente unGenera finalmente un indicador inteligenteindicador inteligente que proporcionaque proporciona
claramente señales de compra/venta de instrumentos declaramente señales de compra/venta de instrumentos de
inversión, para maximizar la rentabilidad de sus inversiones.inversión, para maximizar la rentabilidad de sus inversiones.
RNARNA
usan RNAusan RNA

4.2 Pandora Realtime:
- Página principal: Prosoniq PandoraPágina principal: Prosoniq Pandora
- Fabricante: ProsoniqFabricante: Prosoniq
- País: AlemaniaPaís: Alemania
- Programa analizado: PANDORA Music Decomposition SeriesPrograma analizado: PANDORA Music Decomposition Series
(Realtime)(Realtime)
- Características: descomposición de audio.Características: descomposición de audio.
- Diseñada para extraer, de una señal de audio completa, losDiseñada para extraer, de una señal de audio completa, los
componentes musicales mas básicos. Esto se logra utiliandocomponentes musicales mas básicos. Esto se logra utiliando
Procesamiento Digital de Señales y Redes Neuronales.Procesamiento Digital de Señales y Redes Neuronales.
- Puede trabajar con archivos por separo, y no modifica en nadaPuede trabajar con archivos por separo, y no modifica en nada
a los demás instrumentos a parte de la voz.a los demás instrumentos a parte de la voz.
RNARNA
usan RNAusan RNA

4.2 Pandora Realtime:
-- También se puede utilizar paraTambién se puede utilizar para ciencias forensesciencias forenses, al extraer, al extraer
componentes básicos de una grabación en casos importantes.componentes básicos de una grabación en casos importantes.
Así, se puede eliminar el ruido existente en una grabación u otrosAsí, se puede eliminar el ruido existente en una grabación u otros
componentes para dejar solamente las pruebas necesarias para elcomponentes para dejar solamente las pruebas necesarias para el
caso.caso.
- Características:Características:
- Atenúa o incrementa el volumen de la voz de los cantantes.Atenúa o incrementa el volumen de la voz de los cantantes.
- Atenuación a un nivel en donde la voz no se escuchaAtenuación a un nivel en donde la voz no se escucha
(permanece la reverberación) para utilizarse en ambientes tipo(permanece la reverberación) para utilizarse en ambientes tipo
"karaoke“,"karaoke“,
- Aumenta la voz en +10 dB sin filtros o aparatos externos.Aumenta la voz en +10 dB sin filtros o aparatos externos.
- Trabaja con señales de audio mono o estéreo.Trabaja con señales de audio mono o estéreo.
RNARNA
usan RNAusan RNA

4.3 Optimach:
- Es un software de administración de publicidad dirigida paraEs un software de administración de publicidad dirigida para
internet, analiza y decide los banners o anuncios que presentará uninternet, analiza y decide los banners o anuncios que presentará un
sitio de internet a cada tipo de usuario, para aumentar el interés ensitio de internet a cada tipo de usuario, para aumentar el interés en
él sobre el patrocinador.él sobre el patrocinador.
- Página principal: OptimatchPágina principal: Optimatch
- Fabricante: Neural Applications CorporationFabricante: Neural Applications Corporation
- País: E.U.País: E.U.
- Programa analizado: Neural OptiMatchPrograma analizado: Neural OptiMatch
- Provee una forma inteligente de dirigir la publicidad de un sitio, loProvee una forma inteligente de dirigir la publicidad de un sitio, lo
que aumenta el rendimiento de las campañas publicitarias y deque aumenta el rendimiento de las campañas publicitarias y de
navegación por el sitio.navegación por el sitio.
RNARNA
usan RNAusan RNA

4.3 Optimach:
- Características:
- Rastrea el camino que siguen los usuarios dentro del sitio.
- Monitorea las preferencias del usuario en internet.
- Proporciona banners o anuncios adecuados a las necesidades
del usuario.
- Se consideran indicadores para la RN:Se consideran indicadores para la RN:
- La hora del dia.La hora del dia.
- El tipo de página en que se encuentra.El tipo de página en que se encuentra.
- Las características registradas del visitante.Las características registradas del visitante.
RNARNA
usan RNAusan RNA

4.4 Attrasoft:
- Attrasoft se dedica a hacer software para análisis financiero y
reconocimiento de imágenes a través de redes neuronales.
- Sus productos están basados en modelos neuronales de Hopfield
y la máquina de Boltzmann.
- Diseñados para trabajar en un ambiente entre 1000 y 100000
neuronas externas (de entrada y salida).
- Utilidad:Utilidad:
- Clasificar imágenesClasificar imágenes
- Buscar imágenes en internet.Buscar imágenes en internet.
- Obtener predicciones sobre una serie de datos.Obtener predicciones sobre una serie de datos.
- Reconocimiento de patrones.Reconocimiento de patrones.
- Aplicación policial en la búsqueda de sospechososAplicación policial en la búsqueda de sospechosos
- Fabricante: AttrasoftFabricante: Attrasoft
- Software: Image finder, Decision Maker, Predictor, ABMSoftware: Image finder, Decision Maker, Predictor, ABM
- Programa base: ABM Boltzman MachinePrograma base: ABM Boltzman Machine
- País: E.U.País: E.U.
RNARNA
usan RNAusan RNA

4.4 Attrasoft:
- Basadas en un núcleo formado por el software de RNA de tipo
Hopfield, es completamente configurable:
- se puede modificar la cantidad de neuronas empleadas, y su
entrenamiento, por lo que se puede adaptar a cualquier tipo
de problema.
- Ejemplo de la aplicación de las RNA en el reconocimiento de
imagen.
- Basado en los 10 más buscados del FBI, y lo provee la
compañía Attrasoft.
 El sospechosoEl sospechoso: El bosquejo de la: El bosquejo de la
persona sospechosa del crimen,persona sospechosa del crimen,
la policía la busca para arrestarla.la policía la busca para arrestarla.
RNARNA
usan RNAusan RNA

4.4 Attrasoft:
 La base de datos de criminales conocidosLa base de datos de criminales conocidos: Contiene la: Contiene la
cantidad de fotografías necesarias, el sistema puede buscarcantidad de fotografías necesarias, el sistema puede buscar
hasta 1,000 fotografías a la vez, alrededor de 1 por segundo.hasta 1,000 fotografías a la vez, alrededor de 1 por segundo.
RNARNA
usan RNAusan RNA

4.4 Attrasoft:
 Resultados de la búsquedaResultados de la búsqueda: Se listan las imágenes que: Se listan las imágenes que
corresponden con el bosquejo del criminal, el software tardó 8corresponden con el bosquejo del criminal, el software tardó 8
segundos utilizando una Pentium II 400Mhz, 96Mb RAM, win98.segundos utilizando una Pentium II 400Mhz, 96Mb RAM, win98.
La base de datos tenía entre 50 y 60 imágenes.La base de datos tenía entre 50 y 60 imágenes.
 La búsqueda seLa búsqueda se
realiza alrededorrealiza alrededor
del área de la cara,del área de la cara,
como se indica porcomo se indica por
el marco negro.el marco negro.
Se desea buscar siSe desea buscar si
coincide con algunacoincide con alguna
de las fotos de sude las fotos de su
base de datos debase de datos de
criminales.criminales.
RNARNA
usan RNAusan RNA

4.4 Attrasoft:
 Resultados de la búsquedaResultados de la búsqueda::
 Estas son las imágenes que corresponden con el bosquejo.Estas son las imágenes que corresponden con el bosquejo.
RNARNA
usan RNAusan RNA

5. Descripción teórica de una aplicación5. Descripción teórica de una aplicación
Detección de obstáculos por medio de un robotDetección de obstáculos por medio de un robot :
- FASE1: Descripción del problemaFASE1: Descripción del problema::
 Robot: dispositivo automático que realiza accionesRobot: dispositivo automático que realiza acciones
especificas .especificas .
 4 sensores de proximidad (para detectar los obstáculos)4 sensores de proximidad (para detectar los obstáculos)
 2 motores (con 2 movimientos cada uno: atrás y adelante)2 motores (con 2 movimientos cada uno: atrás y adelante)
 Lecturas de los sensores con 16 posibles combinaciones (16=2Lecturas de los sensores con 16 posibles combinaciones (16=2
 Para cada combinación cada uno de los motores podría darPara cada combinación cada uno de los motores podría dar
marcha adelante o marcha atrás.marcha adelante o marcha atrás.
-- Funcionamiento de los sensores:Funcionamiento de los sensores:
 Si los sensores detectan un objeto a distancia inferior a laSi los sensores detectan un objeto a distancia inferior a la
predeterminada, implica que el objeto estápredeterminada, implica que el objeto está cercacerca, se toma, se toma
como uncomo un “1”.“1”.
 Si los sensores detectan un objeto a una distancia mayor a laSi los sensores detectan un objeto a una distancia mayor a la
predeterminada, implica que el objeto estápredeterminada, implica que el objeto está lejoslejos, se toma como, se toma como
unun “-1”.“-1”.
RNARNA
usan RNAusan RNA
 5. Descripción5. Descripción
teórica de unateórica de una
aplicaciónaplicación

- FASE 1. Descripción del problemaFASE 1. Descripción del problema::
En función de los valores de los sensores, los motores actuan:En función de los valores de los sensores, los motores actuan:
-- Funcionamiento de los motores:Funcionamiento de los motores:
 marcha adelantemarcha adelante, representado por un, representado por un “1”.“1”.
 marcha atrásmarcha atrás, representado, representado con uncon un “–1”.“–1”.
 La siguiente tabla explica el comportamiento del robot:La siguiente tabla explica el comportamiento del robot:
RNARNA
usan RNAusan RNA

- FASE 2: Justificación del tipo de RedFASE 2: Justificación del tipo de Red::
Generalmente se resolvería dando al robot toda la tabla deGeneralmente se resolvería dando al robot toda la tabla de
combinaciones : entradas (sensores) y soluciones (motores).combinaciones : entradas (sensores) y soluciones (motores).
- Pero esto haría que en pasos más avanzados creciesePero esto haría que en pasos más avanzados creciese
indefinidamente el número de datos de entrada y salida (requeriríaindefinidamente el número de datos de entrada y salida (requeriría
mucho almacenamiento).mucho almacenamiento).
- UnaUna R.N. puede entrenarseR.N. puede entrenarse con un número representativo decon un número representativo de
patrones y aprender el comportamiento del sistema utilizandopatrones y aprender el comportamiento del sistema utilizando
dispositivos dedispositivos de menos capacidad de almacenamientomenos capacidad de almacenamiento y costo.y costo.
- UnaUna red tipo Perceptrónred tipo Perceptrón puede ser entrenada con patrones depuede ser entrenada con patrones de
cualquier dimensión en la entrada y salida con datos binarioscualquier dimensión en la entrada y salida con datos binarios
- Por la simplicidad del problema este tipo de red es la masPor la simplicidad del problema este tipo de red es la mas
adecuada.adecuada.
RNARNA
usan RNAusan RNA

- Para poder aplicar una red tipoPara poder aplicar una red tipo Perceptrón unicapaPerceptrón unicapa (simple), se(simple), se
debe comprobar que losdebe comprobar que los patrones de entrenamiento sonpatrones de entrenamiento son
linealmente separables.linealmente separables.
- Para esto se debenPara esto se deben plantear las desigualdadesplantear las desigualdades generadas porgeneradas por
cada patrón.cada patrón.
- En este caso cada patrón de cuatro dimensionesEn este caso cada patrón de cuatro dimensiones
generara dos desigualdades (una por cada salida),generara dos desigualdades (una por cada salida),
estas desigualdades no deben contradecirse.estas desigualdades no deben contradecirse.
- Debido a la naturaleza bipolar de la salida, se puedeDebido a la naturaleza bipolar de la salida, se puede
usar fácilmente el Limitador fuerte (Hardlim):usar fácilmente el Limitador fuerte (Hardlim):
- Lo que permite clasificar a las neuronas en 2 categoríasLo que permite clasificar a las neuronas en 2 categorías
diferentes, justificación del uso del perceptrón unicapa paradiferentes, justificación del uso del perceptrón unicapa para
esta aplicación.esta aplicación.
RNARNA
usan RNAusan RNA

- La salida de la red viene dada por la siguiente expresión:La salida de la red viene dada por la siguiente expresión:
n = (Wp + b)n = (Wp + b)
- Aplicando esta ecuación a cada patrón de entrenamiento se tienenAplicando esta ecuación a cada patrón de entrenamiento se tienen
las desigualdades de la siguiente tabla, las cuales se satisfacenlas desigualdades de la siguiente tabla, las cuales se satisfacen
plenamente, lo que implica que el problema es linealmenteplenamente, lo que implica que el problema es linealmente
separable y puede ser resuelto por una red tipo Perceptrón unicapa.separable y puede ser resuelto por una red tipo Perceptrón unicapa.
RNARNA
usan RNAusan RNA

- FASE 3: Entrenamiento de la red:FASE 3: Entrenamiento de la red:
- A la red se le presentaron los 7 patrones de la tabla como secuenciaA la red se le presentaron los 7 patrones de la tabla como secuencia
de aprendizaje o entrenamiento.de aprendizaje o entrenamiento.
- Para posteriormente probar los casos restantes y ver comoPara posteriormente probar los casos restantes y ver como
generaliza la red gracias al entrenamiento previo.generaliza la red gracias al entrenamiento previo.
- La siguiente figura muestra la representación del perceptrón deLa siguiente figura muestra la representación del perceptrón de
esta red.esta red.
RNARNA
usan RNAusan RNA

- El siguiente código crea una red tipo Perceptrón con función deEl siguiente código crea una red tipo Perceptrón con función de
transferenciatransferencia hardlimshardlims, dos neuronas en la salida, utiliza como, dos neuronas en la salida, utiliza como
patrones de entrenamiento las lecturas de los cuatro sensorespatrones de entrenamiento las lecturas de los cuatro sensores
almacenados enalmacenados en pp y como patrones objetivo o salidas deseadas lasy como patrones objetivo o salidas deseadas las
acciones de ambos motores almacenados en el vectoracciones de ambos motores almacenados en el vector tt..
net = newp ( [-1 1 ; -1 1 ; -1 1 ; -1 1] , 2 , 'hardlims ‘ ) ;net = newp ( [-1 1 ; -1 1 ; -1 1 ; -1 1] , 2 , 'hardlims ‘ ) ;
net.adaptParam.passes = 200;net.adaptParam.passes = 200;
Wi ;Wi ;
[ net , a , e ] = adapt ( net , P , t ) ;[ net , a , e ] = adapt ( net , P , t ) ;
Wf = net.IW { 1 , 1 } ;Wf = net.IW { 1 , 1 } ;
bf = net.b { 1 } ;bf = net.b { 1 } ;
RNARNA
usan RNAusan RNA

- Se introdujeron aleatóriamente los siguienteSe introdujeron aleatóriamente los siguiente pesos inicialespesos iniciales::
- Y se llegó a los siguienteY se llegó a los siguiente pesos finalespesos finales con la red yacon la red ya entrenadaentrenada::
RNARNA
usan RNAusan RNA

- La respuesta de la red a todos los casos aprendidos fue exitosa,La respuesta de la red a todos los casos aprendidos fue exitosa,
ya que se obtuvo exactamente la misma tabla (*) de patrones deya que se obtuvo exactamente la misma tabla (*) de patrones de
aprendizaje.aprendizaje.
- Se simuló la red con las restantes 9 combinaciones, y se dieron losSe simuló la red con las restantes 9 combinaciones, y se dieron los
siguientes resultados:siguientes resultados:
- Las combinaciones que noLas combinaciones que no
formaban parte del set deformaban parte del set de
entrenamiento, fueronentrenamiento, fueron
aproximadas al patrón delaproximadas al patrón del
set de entrenamientoset de entrenamiento
aprendido con menoraprendido con menor
distancia euclidiana.distancia euclidiana.
RNARNA
usan RNAusan RNA

- El siguiente código es un ejemplo de simulación de la red para unaEl siguiente código es un ejemplo de simulación de la red para una
entrada determinada, y sirve como comprobación de que no haentrada determinada, y sirve como comprobación de que no ha
existido errores en la fase de aprendizaje.existido errores en la fase de aprendizaje.
S1 = [1 -1] ; S2 = [1 -1] ; S3 = [1 -1] ; S4 = [1 -1] ;S1 = [1 -1] ; S2 = [1 -1] ; S3 = [1 -1] ; S4 = [1 -1] ;
P = combvec (S1,S2,S3,S4) ;P = combvec (S1,S2,S3,S4) ;
net = newp ( [-1 1;-1 1;-1 1;-1 1] , 2 , 'hardlims‘ ) ;net = newp ( [-1 1;-1 1;-1 1;-1 1] , 2 , 'hardlims‘ ) ;
Wf ;Wf ;
t = sim ( net , P ) ;t = sim ( net , P ) ;
RNARNA
usan RNAusan RNA

- Conclusiones:Conclusiones:
- Si el problemaSi el problema no fuera de patrones linealmente separablesno fuera de patrones linealmente separables sese
tiene la alternativa de utilizar una red Perceptrón multicapa otiene la alternativa de utilizar una red Perceptrón multicapa o
cambiarcambiar definitivamente dedefinitivamente de topología de redtopología de red..
- LaLa capacidad de generalizacióncapacidad de generalización de las redes neuronales juega unde las redes neuronales juega un
papel importante cuando las posibles combinaciones de patronespapel importante cuando las posibles combinaciones de patrones
de entrada son tantas que resultaría imposible especificarle a unde entrada son tantas que resultaría imposible especificarle a un
dispositivo que hacer en cada caso.dispositivo que hacer en cada caso.
- Puesto que la red sePuesto que la red se entrenaentrena con un número de patronescon un número de patrones
representativo yrepresentativo y no con la totalidad de ellosno con la totalidad de ellos..
- Ahorrando tiempo de computoAhorrando tiempo de computo en la solución del problema.en la solución del problema.
- lala tolerancia a fallostolerancia a fallos de las RN es un factor importante.de las RN es un factor importante.
- En caso deEn caso de fallar uno o varios sensoresfallar uno o varios sensores la red siemprela red siempre
producirá una salida que en la mayoría de los casos es laproducirá una salida que en la mayoría de los casos es la
mas acertadamas acertada, debido a que la red después de un proceso, debido a que la red después de un proceso
dede aprendizaje exitosoaprendizaje exitoso esta en capacidad deesta en capacidad de generalizargeneralizar
el comportamiento del sistema.el comportamiento del sistema.
RNARNA
usan RNAusan RNA

BibliografíaBibliografía
- “Redes Nueronales Artificiales”, disponible en internet:
http://electronica.com.mx/neural/.
- Freeman, J. A., Skapura, D. M. "Redes neuronales: Algoritmos,
Aplicaciones y Técnicas de Programación". Addison-Wesley.
1993.
- “Red Nuronal Artificial”, disponible en Internet:
http://es.wikipedia.org/wiki/Red_neuronal_artificial
- “Tutorial Redes Neuronales”, disponible en Internet:
http://ohm.utp.edu.co/neuronales/main.htm
RNARNA
usan RNAusan RNA
 5. Descripción teórica de5. Descripción teórica de
una aplicaciónuna aplicación
BibliografíaBibliografía

GRACIASGRACIAS

Redes neuronales artificiales

Recommended

Recommended

More Related Content

Viewers also liked

Viewers also liked (19)

Similar to Redes neuronales artificiales

Similar to Redes neuronales artificiales (20)

Redes neuronales artificiales