• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Funcionamiento de las redes neuronales simples
 

Funcionamiento de las redes neuronales simples

on

  • 229 views

Inteligencia Artificial, las redes neuronales

Inteligencia Artificial, las redes neuronales

Statistics

Views

Total Views
229
Views on SlideShare
229
Embed Views
0

Actions

Likes
0
Downloads
6
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Funcionamiento de las redes neuronales simples Funcionamiento de las redes neuronales simples Document Transcript

    • Sistema Expertos Alumno: David Freire Profesor: Ing. David Castillo Nivel: Noveno Semestre Fecha: 31 de octubre de 2013 Centro de Apoyo: Puyo Periodo: 2013 - 2014 Ingeniería Sistemas
    • Indicé General .........................................................................................14 ......................................................................................13 ......................................7 ..........................................................................................5 ......................................................................10 ..........................................................................6 ....................................................................................................... 4
    • El sistema de neuronas biológico está compuesto por neuronas de entrada (censores) conectados a una compleja red de neuronas "calculadoras" (neuronas ocultas), las cuales, a su vez, están conectadas a las neuronas de salidas que controlan, por ejemplo, los músculos. En el cerebro hay una gigantesca red de neuronas "calculadoras" u ocultas que realizan la computación necesaria. De esta manera similar, una red neuronal artificial debe ser compuesta por censores del tipo mecánico o eléctrico.
    • El cerebro humano es el sistema de cálculo más complejo que conoce el hombre. El ordenador y el hombre realizan bien diferentes clases de tareas; así la operación de reconocer el rostro de una persona resulta una tarea relativamente sencilla para el hombre y difícil para el ordenador, mientras que la contabilidad de una empresa es tarea costosa para un experto contable y una sencilla rutina para un ordenador básico. La capacidad del cerebro humano de pensar, recordar y resolver problemas ha inspirado a muchos científicos intentar o procurar modelar en el ordenador el funcionamiento del cerebro humano. Un grupo de investigadores ha perseguido la creación de un modelo en el ordenador que iguale o adopte las distintas funciones básicas del cerebro. El resultado ha sido una nueva tecnología llamada Computación Neuronal o también Redes Neuronales Artificiales.
    • Sistema Expertos 1. Red Neuronal Artificial Las diferentes configuraciones y algoritmos que se diseñan para las redes neuronales artificiales están inspiradas en la organización del complejo sistema neuronal del cerebro humano. No obstante conviene aclarar que esta inspiración no supone que las ANN lleguen a emular al cerebro como algunos optimistas lo desean ya que entre otras limitaciones el conocimiento sobre el modo de funcionamiento y comportamiento del cerebro es bastante simple y reducido. De hecho los diseñadores de redes artificiales van más lejos del conocimiento biológico actual y prueban nuevas estructuras que presentan un comportamiento adecuado y útil. El sistema nervioso humano constituido por células llamadas neuronas presenta una estructura muy compleja. El número estimado de neuronas es de 1011 y las interconexiones entre ellas son del orden de 1015. Cada neurona comparte muchas características con otras células del cuerpo humano pero tiene propiedades particulares y especiales para recibir, procesar y transmitir señales electroquímicas a través de todas las interconexiones del sistema de comunicación del cerebro. En el siguiente gráfico se muestra la estructura de un par de neuronas biológicas. Del cuerpo de la neurona se extienden las dendritas hacia otras neuronas donde reciben las señales transmitidas por otras neuronas. El punto de contacto o de conexión se llama sinapsis y estas entradas son dirigidas al núcleo donde se suman. Algunas de las entradas tienden a excitar a la célula y otras sin embargo tienden a inhibir la célula. Cuando la excitación acumulada supera un valor umbral, las neuronas envían una señal a través del axón a otras neuronas. Ingeniería Sistemas David Freire Noveno Semestre Página 6
    • Sistema Expertos La mayoría de los modelos de las ANN presenta este funcionamiento básico de la neurona aun cuando el comportamiento real de una célula nerviosa tiene muchas complejidades y excepciones. 1.1. La neurona Funcionamiento de una red neuronal artificial artificial fue diseñada para "emular" las características del funcionamiento básico de la neurona biológica. En esencia, se aplica un conjunto de entradas a la neurona, cada una de las cuales representa una salida de otra neurona. Cada entrada se multiplica por su "peso" o ponderación correspondiente análogo al grado de conexión de la sinapsis. Todas las entradas ponderadas se suman y se determina el nivel de excitación o activación de la neurona. Una representación vectorial del funcionamiento básico de una neurona artificial se indica según la siguiente expresión de la ecuación Ingeniería Sistemas David Freire Noveno Semestre Página 7
    • Sistema Expertos Normalmente la señal de salida NET suele ser procesada por una función de activación F para producir la señal de salida de la neurona OUT. La función F puede ser una función lineal, o una función umbral o una función no lineal que simula con mayor exactitud las características de transferencia no lineales de las neuronas biológicas. Las funciones F más utilizadas son la función Sigmoid y Tangente hiperbólica expresadas en la Tabla. Este tipo de modelo de neurona artificial ignora muchas de las características de las neuronas biológicas. Entre ellas destaca la omisión de retardos y de sincronismo en la generación de la salida. No obstante, a pesar de estas limitaciones las redes construidas con este tipo de neurona artificial presentan cualidades y atributos con cierta similitud a la de los sistemas biológicos. Por tal motivo el funcionamiento de una red neuronal artificial están formadas por un conjunto de neuronas artificiales interconectadas. Ingeniería Sistemas David Freire Noveno Semestre Página 8
    • Sistema Expertos Las neuronas de la red se encuentran distribuidas en diferentes capas de neuronas, de manera que las neuronas de una capa están conectadas con las neuronas de la capa siguiente, a las que pueden enviar información. La arquitectura más usada en la actualidad de una red neuronal consistiría en:  Una primera capa de entradas, que recibe información del exterior.  Una serie de capas ocultas (intermedias), encargadas de realizar el trabajo de la red.  Una capa de salidas, que proporciona el resultado del trabajo de la red al exterior. El número de capas intermedias y el número de neuronas de cada capa dependerá del tipo de aplicación al que se vaya a destinar la red neuronal. Ingeniería Sistemas David Freire Noveno Semestre Página 9
    • Sistema Expertos 1.2. Neuronas y conexiones Cada neurona de la red es una unidad de procesamiento de información; es decir, recibe información a través de las conexiones con las neuronas de la capa anterior, procesa la información, y emite el resultado a través de sus conexiones con las neuronas de la capa siguiente, siempre y cuando dicho resultado supere un valor "umbral". En una red neuronal ya entrenada, las conexiones entre neuronas tienen un determinado peso ("peso sináptico"). Un ejemplo de una neurona sobre la que convergen conexiones de diferente peso sináptico (Wi). El procesamiento de la información llevado a cabo por cada neurona Y, consiste en una función (F) que opera con los valores recibidos desde las neuronas de la capa anterior (Xi, generalmente 0 o 1), y que tiene en cuenta el peso sináptico de la conexión por la que se recibieron dichos valores (Wi). Así, una neurona dará más importancia a la información que le llegue por una conexión de peso mayor que no a aquella que le llegue por una conexión de menor peso sináptico. Un modelo simple de la función F seria: Ingeniería Sistemas David Freire Noveno Semestre Página 10
    • Sistema Expertos Si el resultado de la función F es mayor que el valor umbral (U), la neurona se activa y emite una señal (1) hacia las neuronas de la capa siguiente. Pero, si por el contrario, el resultado es menor que el valor umbral, la neurona permanece inactiva (0) y no envía ninguna señal: De esta forma, definido un conjunto inicial de pesos en las conexiones, al presentar un "estímulo" (conjunto de ceros y unos que representa un dato, perfil u objeto) a la capa de entradas, cada neurona en cada capa realiza la operación descrita anteriormente, activándose o no, de manera que al final del proceso las neuronas de la capa de salidas generan un resultado (otro conjunto de ceros y unos), que puede coincidir o no con el que se desea asociar el estímulo. En el entrenamiento de una red neuronal tanto el peso sináptico de las conexiones como el valor umbral para cada neurona se modifican (según un algoritmo de aprendizaje), con el fin de que los resultados generados por la red coincidan con (o se aproximen a) los resultados esperados. Y para simplificar el sistema de entrenamiento, el valor umbral (U) pasa a expresarse como un peso sináptico más (-W0), pero asociado a una neurona siempre activa (X0). Esta neurona siempre activa, se denomina "bias", y se sitúa en la capa anterior a la neurona Y, tal como se muestra en la figura. Ingeniería Sistemas David Freire Noveno Semestre Página 11
    • Sistema Expertos Así, la condición de activación puede reescribirse como: De esta manera el algoritmo de aprendizaje puede ajustar el umbral como si ajustara un peso sináptico más. Ingeniería Sistemas David Freire Noveno Semestre Página 12
    • Sistema Expertos Como conclusión podemos indicar que es posible Conseguir, diseñar y construir máquinas capaces de realizar procesos con cierta inteligencia ha sido uno de los principales objetivos de los científicos a lo largo de la historia. De los intentos realizados en este sentido se han llegado a definir las líneas fundamentales para la obtención de máquinas inteligentes: En un principio los esfuerzos estuvieron dirigidos a la obtención de autómatas, en el sentido de máquinas que realizaran, con más o menos éxito, alguna función típica de los seres humanos. Ingeniería Sistemas David Freire Noveno Semestre Página 13
    • Sistema Expertos http://perso.wanadoo.es/alimanya/funcion.htm http://cvb.ehu.es/open_course_ware/castellano/tecnicas/redes_neuro/contenidos/pdf/libro-delcurso.pdf http://www.slideshare.net/alf_marycela/redes-neuronales-547574 http://www.slideshare.net/HB09/redes-neuronales-1514651 Ingeniería Sistemas David Freire Noveno Semestre Página 14