0
Unidad   1 Introducción A Los Sistemas  Neurodifusos
1.1   Generalidades De Las  Redes Neuronales Artificiales  (RNA) <ul><li>1.1.1 Usos de  las redes neuronales  artificiales...
<ul><li>Es un arreglo masivo de elementos de procesamiento simple llamados neuronas, los cuales poseen un alto grado de in...
Red Neuronal Artificial <ul><li>Las redes neuronales artificiales son redes interconectadas masivamente  en paralelo y con...
Características De  Las RNA <ul><li>Aprendizaje Adaptativo. </li></ul><ul><ul><ul><li>Capacidad de aprender tareas basada ...
Características De  Las RNA <ul><li>Tolerancia a fallos. </li></ul><ul><ul><ul><li>La red puede funcionar con información ...
¿Qué Puede Y Qué No Puede Hacer Una RNA? <ul><li>Las redes neuronales son útiles para : </li></ul><ul><li>Clasificación de...
Las RNA No Son Útiles Para: <ul><li>Predicción de números aleatorios o semi-aleatorios. </li></ul><ul><li>Procesamiento de...
Las RNA Son Utilizadas Para: <ul><li>Clasificación de patrones, </li></ul><ul><li>Identificación de características,  </li...
1.1.1  Usos De  Las Redes Neuronales Artificiales <ul><li>Las  redes neuronales  son una tecnología computacional emergent...
<ul><li>Biología. </li></ul><ul><li>Aprender más acerca del cerebro y otros sistemas. </li></ul><ul><li>Obtención de model...
<ul><li>Manufacturación. </li></ul><ul><li>-  Robots automatizados y sistemas de control . </li></ul><ul><li>-  Control de...
<ul><li>Medicina. </li></ul><ul><ul><li>Analizadores del habla para la ayuda de audición de sordos profundos. </li></ul></...
<ul><li>Militares. </li></ul><ul><ul><li>Clasificación de las señales de radar. </li></ul></ul><ul><ul><li>Creación de arm...
1.1.2 Problemas resueltos con   RNA <ul><li>Reconocimiento de personas. </li></ul><ul><ul><li>Textura del iris. </li></ul>...
<ul><li>Herramientas de prediagnóstico. </li></ul><ul><ul><li>Patologías oculares. </li></ul></ul><ul><ul><li>Electroencef...
1.- Reconocimiento De Personas Mediante La Textura Del Iris
2.-  Autentificación  De Firmas Autógrafas
Red Neuronal Artificial
3.-  Reconocimiento De Personas Mediante El Rostro
Red Neuronal Artificial
4.-  Reconocimiento De Personas Mediante La Huella Digital
Red Neuronal Artificial
5.-  Reconocimiento De Caracteres Impresos Adquisición de la Imagen Tratamiento de la  Imagen Reconocimiento e interpretac...
Simple, básica Aprendizaje supervisado Offline (entrena/prueba) 1 capa de entrada y una de salida Fn. de transferencia Esc...
6.- Sistema De Control De Personal A Través Del Reconocimiento De Huella Dactilar
7.-  Sistema Inteligente de Reconocimiento de Caracteres Manuscritos  TT0358 :   Adquisición de la Imagen Tratamiento de l...
Red Neuronal Artificial
8.-  Portafolio Bursátil Inteligente
Arquitectura del perceptrón simple para la selección de acciones
RNA MLP para predicción de precios de la acción
9.-  Sistema Integral En Ortopedia Pediátrica:  SIO-P  TT594
Red Neuronal Artificial
10.-  Sistema Biométrico De Control De Personal  TT514
Red Neuronal Artificial Rostro
11.-  Sistema Verificador De Placas De Automóvil “Sivepa”  TT497
Red Neuronal Artificial Estructura de la red que clasifica caracteres   Estructura de la red que clasifica números
Etapas Fundamentales del Procesamiento Digital de Imágenes
Etapas de un sistema de reconocimiento de patrones.
12.-  Sistema Inteligente de Expresiones Faciales  TT Imagen Localización del rostro Extracción de Características Faciale...
Red Neuronal Artificial
13.-Sistema Del Prediágnostico De Anomalías En Células Cérvico Uterinas   TT593
Clasificador <ul><li>En el módulo de  clasificación  se contemplo el enfoque basado en métricas del cual tomamos el clasif...
<ul><li>Caracteristicas del Perceptrón Multicapa </li></ul><ul><ul><li>Red Feeforward </li></ul></ul><ul><ul><li>Red Multi...
<ul><ul><li>Los pesos se ajustan después de ver los pares entrada/salida del conjunto de entrenamiento. </li></ul></ul><ul...
<ul><li>Diseño de una Red  Neuronal </li></ul><ul><ul><li>Supervisada: requiere de pares de datos consistente de  patrones...
<ul><li>Algoritmo de entrenamiento es Backpropagation </li></ul><ul><li>Vector de entrada para el entrenamiento con valore...
La velocidad de aprendizaje se controla mediante   . Normalmente, debe ser un número entre 0.05 y 0.25 según la bibliogra...
1.2  Introducción A La Lógica Difusa (LD) Unidad   1
Upcoming SlideShare
Loading in...5
×

Generalidades De Las Redes Neuronales Artificiales (RNA)

7,406

Published on

Generalidades De Las Redes Neuronales Artificiales (RNA)

1.1.1 Usos de las redes neuronales artificiales.


1.1.2 Problemas resueltos con
RNA.

Published in: Education, Technology
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
7,406
On Slideshare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
361
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Transcript of "Generalidades De Las Redes Neuronales Artificiales (RNA)"

  1. 1. Unidad 1 Introducción A Los Sistemas Neurodifusos
  2. 2. 1.1 Generalidades De Las Redes Neuronales Artificiales (RNA) <ul><li>1.1.1 Usos de las redes neuronales artificiales. </li></ul><ul><li>1.1.2 Problemas resueltos con </li></ul><ul><li>RNA. </li></ul>
  3. 3. <ul><li>Es un arreglo masivo de elementos de procesamiento simple llamados neuronas, los cuales poseen un alto grado de interconectividad entre sus elementos, en los que la información puede fluir en cascada o en retroceso. Estos arreglos están inspirados en la naturaleza biológica de las neuronas. </li></ul>¿ Que Es Una RNA?
  4. 4. Red Neuronal Artificial <ul><li>Las redes neuronales artificiales son redes interconectadas masivamente en paralelo y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico. </li></ul><ul><li>Teuvo Kohonen. </li></ul>
  5. 5. Características De Las RNA <ul><li>Aprendizaje Adaptativo. </li></ul><ul><ul><ul><li>Capacidad de aprender tareas basada en un entrenamiento o una experiencia inicial. </li></ul></ul></ul><ul><li>Autoorganización. </li></ul><ul><ul><ul><li>La red crea su propia organización o representación de la información que recibe mediante una etapa de aprendizaje. </li></ul></ul></ul>
  6. 6. Características De Las RNA <ul><li>Tolerancia a fallos. </li></ul><ul><ul><ul><li>La red puede funcionar con información incompleta o errónea o a pesar de algunos elementos inoperantes. </li></ul></ul></ul><ul><li>Operación en tiempo real. </li></ul><ul><ul><ul><li>La red procesa la información en paralelo y muy rápido. </li></ul></ul></ul><ul><li>Fácil construcción en CI. </li></ul>
  7. 7. ¿Qué Puede Y Qué No Puede Hacer Una RNA? <ul><li>Las redes neuronales son útiles para : </li></ul><ul><li>Clasificación de patrones. </li></ul><ul><li>Aproximación de funciones. </li></ul><ul><li>Mapeo. </li></ul><ul><ul><li>En los que exista información imprecisa y con tolerancia a fallos. </li></ul></ul>
  8. 8. Las RNA No Son Útiles Para: <ul><li>Predicción de números aleatorios o semi-aleatorios. </li></ul><ul><li>Procesamiento de enteros largos. </li></ul><ul><li>Determinación si un entero largo es primo o compuesto. </li></ul><ul><li>Desencriptar algo encriptado por un buen algoritmo. </li></ul>
  9. 9. Las RNA Son Utilizadas Para: <ul><li>Clasificación de patrones, </li></ul><ul><li>Identificación de características, </li></ul><ul><li>Reconocimiento de patrones, </li></ul><ul><li>Aproximación de funciones, </li></ul><ul><li>En sistemas que contengan información imprecisa. </li></ul>
  10. 10. 1.1.1 Usos De Las Redes Neuronales Artificiales <ul><li>Las redes neuronales son una tecnología computacional emergente que puede utilizarse en un gran número y variedad de aplicaciones, tanto comerciales como militares. </li></ul><ul><li>Existen diferentes tipos de redes neuronales artificiales , cada uno de los cuales tiene una aplicación particular . </li></ul>
  11. 11. <ul><li>Biología. </li></ul><ul><li>Aprender más acerca del cerebro y otros sistemas. </li></ul><ul><li>Obtención de modelos de la retina. </li></ul><ul><li>Empresa. </li></ul><ul><li>- Evaluación de probabilidad de formaciones geológicas y petrolíferas. </li></ul><ul><li>- Identificación de candidatos para posiciones específicas. </li></ul><ul><li>- Reconocimiento de caracteres escritos. </li></ul>
  12. 12. <ul><li>Manufacturación. </li></ul><ul><li>- Robots automatizados y sistemas de control . </li></ul><ul><li>- Control de producción en líneas de procesos. </li></ul><ul><li>Medio Ambiente. </li></ul><ul><li>- Analizar tendencias y patrones. </li></ul><ul><li>- Previsión del tiempo . </li></ul><ul><li>Finanzas. </li></ul><ul><li>- Previsión de la evaluación de los precios. </li></ul><ul><li>- Valoración del riesgo de los créditos. </li></ul><ul><li>- Identificación de falsificaciones. </li></ul><ul><li>- Interpretación de firmas. </li></ul>
  13. 13. <ul><li>Medicina. </li></ul><ul><ul><li>Analizadores del habla para la ayuda de audición de sordos profundos. </li></ul></ul><ul><ul><li>Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos (electrocardiograma, encefalograma, análisis sanguíneo, etc.). </li></ul></ul><ul><ul><li>Monitorización en cirugía. </li></ul></ul><ul><ul><li>Predicción de reacciones adversas a los medicamentos. </li></ul></ul><ul><ul><li>Lectores de rayos X. </li></ul></ul><ul><ul><li>Entendimiento de la causa de los ataques epilépticos. </li></ul></ul>
  14. 14. <ul><li>Militares. </li></ul><ul><ul><li>Clasificación de las señales de radar. </li></ul></ul><ul><ul><li>Creación de armas inteligentes. </li></ul></ul><ul><ul><li>Optimización del uso de recursos escasos. </li></ul></ul><ul><ul><li>Reconocimiento y seguimiento en el tiro al blanco. </li></ul></ul>
  15. 15. 1.1.2 Problemas resueltos con RNA <ul><li>Reconocimiento de personas. </li></ul><ul><ul><li>Textura del iris. </li></ul></ul><ul><ul><li>Huella dactilar. </li></ul></ul><ul><ul><li>Rostro. </li></ul></ul><ul><ul><li>Autentificación de firmas. </li></ul></ul><ul><ul><li>Dimensiones de sus manos. </li></ul></ul><ul><ul><li>Voz. </li></ul></ul>
  16. 16. <ul><li>Herramientas de prediagnóstico. </li></ul><ul><ul><li>Patologías oculares. </li></ul></ul><ul><ul><li>Electroencefalogramas. </li></ul></ul><ul><ul><li>Electrocardiogramas. </li></ul></ul><ul><ul><li>Detección de melanomas. </li></ul></ul>
  17. 17. 1.- Reconocimiento De Personas Mediante La Textura Del Iris
  18. 18. 2.- Autentificación De Firmas Autógrafas
  19. 19. Red Neuronal Artificial
  20. 20. 3.- Reconocimiento De Personas Mediante El Rostro
  21. 21. Red Neuronal Artificial
  22. 22. 4.- Reconocimiento De Personas Mediante La Huella Digital
  23. 23. Red Neuronal Artificial
  24. 24. 5.- Reconocimiento De Caracteres Impresos Adquisición de la Imagen Tratamiento de la Imagen Reconocimiento e interpretación de la Imagen Editor de texto
  25. 25. Simple, básica Aprendizaje supervisado Offline (entrena/prueba) 1 capa de entrada y una de salida Fn. de transferencia Escalon Regla de aprendizaje: corrección de error Red Neuronal Artificial iw 1,1 1,1 iw i,1 S,R, Entradas Perceptrón a 1 = f (IW 1,1 p 1 + b 1 ) p 1 p 2 p 3 p R n 1 1 a 1 1 b 1 1 1 n 1 2 a 1 2 b 1 1 1 n 1 s a 1 s b 1 s 1 . . . . . . . . . . . .
  26. 26. 6.- Sistema De Control De Personal A Través Del Reconocimiento De Huella Dactilar
  27. 27. 7.- Sistema Inteligente de Reconocimiento de Caracteres Manuscritos TT0358 : Adquisición de la Imagen Tratamiento de la Imagen Reconocimiento e interpretación de la Imagen Texto Digital
  28. 28. Red Neuronal Artificial
  29. 29. 8.- Portafolio Bursátil Inteligente
  30. 30. Arquitectura del perceptrón simple para la selección de acciones
  31. 31. RNA MLP para predicción de precios de la acción
  32. 32. 9.- Sistema Integral En Ortopedia Pediátrica: SIO-P TT594
  33. 33. Red Neuronal Artificial
  34. 34. 10.- Sistema Biométrico De Control De Personal TT514
  35. 35. Red Neuronal Artificial Rostro
  36. 36. 11.- Sistema Verificador De Placas De Automóvil “Sivepa” TT497
  37. 37. Red Neuronal Artificial Estructura de la red que clasifica caracteres Estructura de la red que clasifica números
  38. 38. Etapas Fundamentales del Procesamiento Digital de Imágenes
  39. 39. Etapas de un sistema de reconocimiento de patrones.
  40. 40. 12.- Sistema Inteligente de Expresiones Faciales TT Imagen Localización del rostro Extracción de Características Faciales. Clasificador de Patrones Interpretación Entrenamiento
  41. 41. Red Neuronal Artificial
  42. 42. 13.-Sistema Del Prediágnostico De Anomalías En Células Cérvico Uterinas TT593
  43. 43. Clasificador <ul><li>En el módulo de clasificación se contemplo el enfoque basado en métricas del cual tomamos el clasificador KNN (The Neighboring Near K). </li></ul><ul><li>La regla de clasificación por vecindad más general es la regla de clasificación de los k vecinos más cercanos o simplemente k-NN . Se basa en la suposición de que los prototipos más cercanos tienen una probabilidad a posteriori similar. </li></ul>
  44. 44. <ul><li>Caracteristicas del Perceptrón Multicapa </li></ul><ul><ul><li>Red Feeforward </li></ul></ul><ul><ul><li>Red Multicapa </li></ul></ul><ul><ul><li>Clasificación de patrones no linealmente separables </li></ul></ul><ul><ul><li>Aprendizaje supervisado </li></ul></ul><ul><ul><li>Aprendizaje offline </li></ul></ul><ul><ul><li>El número de neuronas ocultas, lo suficientemente grande para formar una región compleja que solucione el problema. </li></ul></ul>REDES NEURONALES
  45. 45. <ul><ul><li>Los pesos se ajustan después de ver los pares entrada/salida del conjunto de entrenamiento. </li></ul></ul><ul><ul><li>En el sentido directo la red permite un flujo de activación en las capas. </li></ul></ul><ul><ul><li>En la retropropagación, la salida actual es comparada con la salida deseada, entonces se calcula el error para las unidades de salida. </li></ul></ul><ul><ul><li>Entonces los pesos en la salida son ajustados para reducir el error, esto da un error estimado para las neuronas ocultas y así sucesivamente. </li></ul></ul><ul><ul><li>Una época se define como el ajuste de los pesos para todos los pares de entrenamientos, usualmente la red requiere muchas épocas para su entrenamiento. </li></ul></ul>BACKPROPAGATION
  46. 46. <ul><li>Diseño de una Red Neuronal </li></ul><ul><ul><li>Supervisada: requiere de pares de datos consistente de patrones de entrada y salida correcta. </li></ul></ul><ul><ul><li>El número de elementos del vector de entrada (Número de características extraídas) estará determinado por el tipo de problema a resolver. </li></ul></ul><ul><ul><li>La selección del vector de salida o vectores determinara el numero de neuronas en la capa de salida. </li></ul></ul>…
  47. 47. <ul><li>Algoritmo de entrenamiento es Backpropagation </li></ul><ul><li>Vector de entrada para el entrenamiento con valores ideales como son: </li></ul><ul><ul><li>NORMAL ={0.8,0.9,0.6,0.43,0.3}; </li></ul></ul><ul><ul><li>LESIÓN DE BAJO GRADO = {0.8,0.8,0.8,0.504,0.5}; </li></ul></ul><ul><ul><li>LESIÓN DE ALTO GRADO ={0.4,0.5,0.9,0.535,0.7}; </li></ul></ul><ul><ul><li>CÁNCER INVASOR = {0.2,0.3,1.2,0.618,0.9}; </li></ul></ul>…
  48. 48. La velocidad de aprendizaje se controla mediante  . Normalmente, debe ser un número entre 0.05 y 0.25 según la bibliografía. Añadir un momento (sumar una fracción del ajuste del peso anterior al ajuste actual). Error propuesto es de 0.007. …
  49. 49. 1.2 Introducción A La Lógica Difusa (LD) Unidad 1
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×