Generalidades De Las  Redes Neuronales Artificiales  (RNA)
Upcoming SlideShare
Loading in...5
×
 

Generalidades De Las Redes Neuronales Artificiales (RNA)

on

  • 8,724 views

Generalidades De Las Redes Neuronales Artificiales (RNA) ...

Generalidades De Las Redes Neuronales Artificiales (RNA)

1.1.1 Usos de las redes neuronales artificiales.


1.1.2 Problemas resueltos con
RNA.

Statistics

Views

Total Views
8,724
Views on SlideShare
8,654
Embed Views
70

Actions

Likes
1
Downloads
340
Comments
0

3 Embeds 70

http://www.slideshare.net 65
http://iaii7b.blogspot.com 3
http://iaii7b.blogspot.com.ar 2

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

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

Generalidades De Las  Redes Neuronales Artificiales  (RNA) Generalidades De Las Redes Neuronales Artificiales (RNA) Presentation Transcript

  • Unidad 1 Introducción A Los Sistemas Neurodifusos
  • 1.1 Generalidades De Las Redes Neuronales Artificiales (RNA)
    • 1.1.1 Usos de las redes neuronales artificiales.
    • 1.1.2 Problemas resueltos con
    • RNA.
    • 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.
    ¿ Que Es Una RNA?
  • Red Neuronal Artificial
    • 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.
    • Teuvo Kohonen.
  • Características De Las RNA
    • Aprendizaje Adaptativo.
        • Capacidad de aprender tareas basada en un entrenamiento o una experiencia inicial.
    • Autoorganización.
        • La red crea su propia organización o representación de la información que recibe mediante una etapa de aprendizaje.
  • Características De Las RNA
    • Tolerancia a fallos.
        • La red puede funcionar con información incompleta o errónea o a pesar de algunos elementos inoperantes.
    • Operación en tiempo real.
        • La red procesa la información en paralelo y muy rápido.
    • Fácil construcción en CI.
  • ¿Qué Puede Y Qué No Puede Hacer Una RNA?
    • Las redes neuronales son útiles para :
    • Clasificación de patrones.
    • Aproximación de funciones.
    • Mapeo.
      • En los que exista información imprecisa y con tolerancia a fallos.
  • Las RNA No Son Útiles Para:
    • Predicción de números aleatorios o semi-aleatorios.
    • Procesamiento de enteros largos.
    • Determinación si un entero largo es primo o compuesto.
    • Desencriptar algo encriptado por un buen algoritmo.
  • Las RNA Son Utilizadas Para:
    • Clasificación de patrones,
    • Identificación de características,
    • Reconocimiento de patrones,
    • Aproximación de funciones,
    • En sistemas que contengan información imprecisa.
  • 1.1.1 Usos De Las Redes Neuronales Artificiales
    • Las redes neuronales son una tecnología computacional emergente que puede utilizarse en un gran número y variedad de aplicaciones, tanto comerciales como militares.
    • Existen diferentes tipos de redes neuronales artificiales , cada uno de los cuales tiene una aplicación particular .
    • Biología.
    • Aprender más acerca del cerebro y otros sistemas.
    • Obtención de modelos de la retina.
    • Empresa.
    • - Evaluación de probabilidad de formaciones geológicas y petrolíferas.
    • - Identificación de candidatos para posiciones específicas.
    • - Reconocimiento de caracteres escritos.
    • Manufacturación.
    • - Robots automatizados y sistemas de control .
    • - Control de producción en líneas de procesos.
    • Medio Ambiente.
    • - Analizar tendencias y patrones.
    • - Previsión del tiempo .
    • Finanzas.
    • - Previsión de la evaluación de los precios.
    • - Valoración del riesgo de los créditos.
    • - Identificación de falsificaciones.
    • - Interpretación de firmas.
    • Medicina.
      • Analizadores del habla para la ayuda de audición de sordos profundos.
      • Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos (electrocardiograma, encefalograma, análisis sanguíneo, etc.).
      • Monitorización en cirugía.
      • Predicción de reacciones adversas a los medicamentos.
      • Lectores de rayos X.
      • Entendimiento de la causa de los ataques epilépticos.
    • Militares.
      • Clasificación de las señales de radar.
      • Creación de armas inteligentes.
      • Optimización del uso de recursos escasos.
      • Reconocimiento y seguimiento en el tiro al blanco.
  • 1.1.2 Problemas resueltos con RNA
    • Reconocimiento de personas.
      • Textura del iris.
      • Huella dactilar.
      • Rostro.
      • Autentificación de firmas.
      • Dimensiones de sus manos.
      • Voz.
    • Herramientas de prediagnóstico.
      • Patologías oculares.
      • Electroencefalogramas.
      • Electrocardiogramas.
      • Detección de melanomas.
  • 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 interpretación de la Imagen Editor de texto
  • 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 . . . . . . . . . . . .
  • 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 la Imagen Reconocimiento e interpretación de la Imagen Texto Digital
  • 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 Faciales. Clasificador de Patrones Interpretación Entrenamiento
  • Red Neuronal Artificial
  • 13.-Sistema Del Prediágnostico De Anomalías En Células Cérvico Uterinas TT593
  • Clasificador
    • En el módulo de clasificación se contemplo el enfoque basado en métricas del cual tomamos el clasificador KNN (The Neighboring Near K).
    • 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.
    • Caracteristicas del Perceptrón Multicapa
      • Red Feeforward
      • Red Multicapa
      • Clasificación de patrones no linealmente separables
      • Aprendizaje supervisado
      • Aprendizaje offline
      • El número de neuronas ocultas, lo suficientemente grande para formar una región compleja que solucione el problema.
    REDES NEURONALES
      • Los pesos se ajustan después de ver los pares entrada/salida del conjunto de entrenamiento.
      • En el sentido directo la red permite un flujo de activación en las capas.
      • En la retropropagación, la salida actual es comparada con la salida deseada, entonces se calcula el error para las unidades de salida.
      • Entonces los pesos en la salida son ajustados para reducir el error, esto da un error estimado para las neuronas ocultas y así sucesivamente.
      • 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.
    BACKPROPAGATION
    • Diseño de una Red Neuronal
      • Supervisada: requiere de pares de datos consistente de patrones de entrada y salida correcta.
      • El número de elementos del vector de entrada (Número de características extraídas) estará determinado por el tipo de problema a resolver.
      • La selección del vector de salida o vectores determinara el numero de neuronas en la capa de salida.
    • Algoritmo de entrenamiento es Backpropagation
    • Vector de entrada para el entrenamiento con valores ideales como son:
      • NORMAL ={0.8,0.9,0.6,0.43,0.3};
      • LESIÓN DE BAJO GRADO = {0.8,0.8,0.8,0.504,0.5};
      • LESIÓN DE ALTO GRADO ={0.4,0.5,0.9,0.535,0.7};
      • CÁNCER INVASOR = {0.2,0.3,1.2,0.618,0.9};
  • 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. …
  • 1.2 Introducción A La Lógica Difusa (LD) Unidad 1