Your SlideShare is downloading. ×
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLEMAS IMPRECISOS DE OPTIMIZACIÓN, CLASIFICACIÓN
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLEMAS IMPRECISOS DE OPTIMIZACIÓN, CLASIFICACIÓN
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLEMAS IMPRECISOS DE OPTIMIZACIÓN, CLASIFICACIÓN
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLEMAS IMPRECISOS DE OPTIMIZACIÓN, CLASIFICACIÓN
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLEMAS IMPRECISOS DE OPTIMIZACIÓN, CLASIFICACIÓN

1,243

Published on

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

No Downloads
Views
Total Views
1,243
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
1
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLEMAS IMPRECISOS DE OPTIMIZACIÓN, CLASIFICACIÓN. Autor: Lisseth Pacheco Garcia Universidad Católica Santo Toribio de Mogrovejo Resumen: Las redes neuronales proporcionan el beneficio de, mediante el entrenamiento de las mismas, resolver situaciones de imprecisión de resultados o conclusiones, de circunstancias vulnerables al error de cálculo humano o simplemente de una inferencia a priori. Precisamente, para resolver los problemas reales complejos, existen diversas expresiones de la tecnología de redes neuronales, que se reflejan en las maneras de realización. Palabras Claves: Entrenamiento, Imprecisión, Inferencia, Problemas, Realización, Redes Neuronales, Tecnología. 1. INTRODUCCIÓN en forma de grafo dirigido. Esquemáticamente cada elemento de procesamiento (neuronas) de la red seExisten técnicas computacionales que, desde sus representa como un nodo. Estas conexionesinicios, marcan un paradigma en la creación. Sus establecen una estructura jerárquica que tratando deaplicaciones, hoy día, van desde la industria de los emular la fisiología del cerebro busca nuevosjuegos hasta las cadenas de producción de varias modelos de procesamiento para solucionar problemasempresas, pasando por la resolución de problemas de concretos del mundo real. Lo importante en elimprecisión. Para ello se han desarrollado múltiples desarrollo de la técnica de las RNA es su útiltécnicas como las relacionadas con la inteligencia comportamiento al aprender, reconocer y aplicarartificial. Las más conocidas son la lógica difusa, relaciones entre objetos y tramas de objetos propiosalgoritmos genéticos y redes neuronales. del mundo real. En este sentido, se utilizan las RNA como una herramienta que podrá utilizarse paraActualmente las redes neuronales despiertan un resolver problemas difíciles.ferviente interés investigador en todo el mundo, demanera tal que profesionales de campos tan diversoscomo la ingeniería, la filosofía, la psicología, entre 2.1. Principios de las Redes Neuronalesotros, intrigados por el potencial ofrecido por estatecnología, buscan aplicaciones dentro de sus La posibilidad de resolver problemas difíciles esrespectivas disciplinas. dable gracias a los principios de las redes neuronales, los cinco más importantes son citados por Hilera yCon las Redes Neuronales se busca la solución de Martínez. Estos son enunciados a continuación:problemas complejos, no como una secuencia depasos, sino como la evolución de unos sistemas de Aprendizaje adaptativo: Esta es quizás lacomputación inspirados en el cerebro humano, y característica más importante de las redes neuronales,dotados por tanto de cierta "inteligencia", los cuales pueden comportarse en función de un entrenamientono son sino la combinación de elementos simples de con una serie de ejemplos ilustrativos. De esta forma,procesos (neuronas) interconectados, que operando no es necesario elaborar un modelo a priori, nide forma paralela en varios estilos que serán establecer funciones probabilísticas. Una redanalizados detalladamente, consiguen resolver neuronal artificial es adaptativa porque puedeproblemas relacionados con el reconocimiento de modificarse constantemente con el fin de adaptarse aformas o patrones, predicción, codificación, control y nuevas condiciones de trabajo.optimización entre otras aplicaciones que finalizaráncon este documento. Autoorganización: Mientras que el aprendizaje es un proceso donde se modifica la información interna de la red neuronal artificial, la autoorganización consiste 2. REDES NEURONALES ARTIFICIALES en la modificación de la red completa con el fin de llevar a cabo un objetivo específico.Una red neuronal, según Freman y Skapura, es un Autoorganización significa generalización, de estasistema de procesadores paralelos conectados entre sí forma una red puede responder a datos o situaciones que no ha experimentado antes, pero que puede
  • 2. inferir sobre la base de su entrenamiento. Estacaracterística es muy útil sobre todo cuando la Una función de activación, que modifica a lainformación de entrada es poco clara o se encuentra anterior. Puede no existir, siendo en este caso laincompleta. salida la misma función de propagación.Tolerancia a fallos: En la computación tradicional la Una función de transferencia, que se aplica al valorpérdida de un fragmento pequeño de información devuelto por la función de activación. Se utiliza parapuede acarrear comúnmente la inutilización del acotar la salida de la neurona y generalmente vienesistema. Las redes neuronales artificiales poseen una dada por la interpretación que queramos darle aalta capacidad de tolerancia a fallos. Se entiende por dichas salidas. Algunas de las más utilizadas son laello que las redes pueden reconocer patrones de función sigmoidea (para obtener valores en elinformación con ruido, distorsión o incompletos, intervalo [0,1]) y la tangente hiperbólica (parapero que, además, pueden seguir trabajando aunque obtener valores en el intervalo [-1,1]).se destruya parte de la red (con cierta degradación).La explicación de este fenómeno se encuentra en quemientras la computación tradicional almacena la 2.3. Ventajas.información en espacios únicos, localizados ydireccionables, las redes neuronales lo hacen de Las redes neuronales artificiales (RNA) tienenforma distribuida y con un alto grado de redundancia. muchas ventajas debido a que están basadas en la estructura del sistema nervioso, principalmente elOperación en tiempo real: Las redes neuronales cerebro.artificiales, de todos los métodos existentes, son lasmás indicadas para el reconocimiento de patrones en Aprendizaje: Las RNA tienen la habilidad detiempo real, debido a que trabajan en paralelo aprender mediante una etapa que se llama etapa deactualizando todas sus instancias simultáneamente. aprendizaje. Esta consiste en proporcionar a la RNAEs importante destacar que esta característica solo se datos como entrada a su vez que se le indica cuál esaprecia cuando se implementan redes con hardware la salida (respuesta) esperada.especialmente diseñados para el procesamientoparalelo. Auto organización: Una RNA crea su propia representación de la información en su interior,Fácil inserción en la tecnología existente: Es descargando al usuario de esto.relativamente sencillo obtener chips especializadospara redes neuronales que mejoran su capacidad en Tolerancia a fallos: Debido a que una RNAciertas tareas. Ello facilita la integración modular en almacena la información de forma redundante, éstalos sistemas existentes. puede seguir respondiendo de manera aceptable aun si se daña parcialmente.2.2. Funcionamiento Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, comoLas redes neuronales consisten en una simulación de señales con ruido u otros cambios en la entrada (porlas propiedades observadas en los sistemas ejemplo si la información de entrada es la imagen deneuronales biológicos a través de modelos un objeto, la respuesta correspondiente no sufrematemáticos recreados mediante mecanismos cambios si la imagen cambia un poco su brillo o elartificiales (como un circuito integrado, un ordenador objeto cambia ligeramente).o un conjunto de válvulas). El objetivo es conseguirque las máquinas den respuestas similares a las que Tiempo real: La estructura de una RNA es paralela,es capaz de dar el cerebro que se caracterizan por su por lo cual si esto es implementado congeneralización y su robustez. computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempoUna red neuronal se compone de unidades llamadas real.neuronas. Cada neurona recibe una serie de entradasa través de interconexiones y emite una salida. Estasalida viene dada por tres funciones: 2.4. Campos de Aplicación:Una función de propagación (también conocida Procesamiento de señales y datoscomo función de excitación), que por lo general Reconocimiento y Clasificación de Patronesconsiste en el sumatorio de cada entrada multiplicada Categorización de Patrones ("clustering")por el peso de su interconexión (valor neto). Si el Aproximación y seguimiento de funcionespeso es positivo, la conexión se denomina Procesamiento y reconocimiento de voz eexcitatoria; si es negativo, se denomina inhibitoria. imágenes
  • 3. Robótica En las RNB, el aprendizaje es el resultado de un Predicción complejo proceso químico-eléctrico en la sinapsis, Optimización desatado a raíz de información que llega proveniente Sistemas de Control del exterior por los sentidos. Las RNA lo hacen Medicina modificando sus pesos sinápticos como consecuencia Sistemas financieros de la introducción de información de diversa índole: Industria Química imágenes, probabilística (con ruido, difusa, imprecisa. . .), etc.3. PROBLEMAS IMPRECISOS DE OPTIMIZACIÓN Pero, ¿qué es aprender? Pues el proceso de aprendizaje consiste en, a partir de mucha y diversaEste tipo de problemas, no son otros que los información que llega por todo tipo de medios, serproblemas reales, pues se caracterizan por su capaz de integrarla y abstraerla para generar nuevaincertidumbre, ruido e imprecisión en los datos, etc. información y conocimientos aplicables a situaciones nuevas. En suma, es capacidad de generalización.Por tanto, los sistemas conexionistas (redesneuronales artificiales) deben reflejar cierta De esta manera, es que al tratar y estudiar problemastolerancia a dicha imprecisión e incertidumbre. Es reales (imprecisos) y al querer llegar a una solucióndecir, las RNA no se aplican a algo de tipo óptima, se plantea la utilización de tecnología dealgorítmico sino todo lo contrario, se vuelven útiles redes neuronales para su resolución confrente a problemas para los que no existe o no se optimización. Y eso será motivo de siguiente ítem delconoce un algoritmo que los aborde o los resuelva; o presente artículo.bien cuando dicho algoritmo existe pero resultacomputacionalmente demasiado lento o caro(recordemos que las RNA suelen ser muy rápidas en 4. TECNOLOGÍAS DE REDES NEURONALES.funcionamiento). En la búsqueda de sistemas inteligentes en general, seLas RNA están inspiradas en las redes de neuronas ha llegado a un importante desarrollo del software,biológicas, tanto en su estructura como en su dentro de esta línea se encuentran algunos de loscomportamiento (algoritmos genéticos, computación neurocomputadores comerciales destinados a lamolecular). Ahora bien, una neurona biológica, realización de redes neuronales. Por otro lado lacomparada con cualquier otro dispositivo eléctrico, realización de RNA puede llevarse a cabo por medioes muy lenta. ¿Por qué, entonces, funcionan y dan tan de uno o varios circuitos integrados específicos, parabuen resultado las RNA? Debido a su alto grado de así poder obtener una estructura que se comporte loparalelismo; su lentitud se compensa con el gran más similar posible a como lo haría una red neuronal.número de componentes que las forman y trabajan alunísono. Otra tecnología que podría ser apropiada en la implementación de las redes neuronales es laLas Redes Neuronales Biológicas (RNB) (del ser tecnología electroóptica, con la ventaja de utilizar lahumano) pueden verse, siguiendo la idea anterior, luz como medio de transporte de la información,como dispositivos no lineales con una alta capacidad permitiendo la transmisión, masiva de datos.de paralelismo caracterizado sobre todo por una granrobustez y tolerancia a fallos. Resultan 4.1. Realización de Redes Neuronales:excepcionalmente buenas en tareas tales como:Procesos de inferencia, Tareas de sentido común, y La realización más simple e inmediata consiste enProcesado de imágenes; y es por ello por lo que las simular la red sobre un ordenador convencionalRNA intentan y pretenden emular las RNB. Son mediante un software específico. Es untareas que el ser humano lleva a cabo muy bien y que procedimiento rápido, económico, e instituible, peropretenden ser automatizadas (dominios de aplicación: su mayor desventaja radica en el hecho de que sereconocimiento de patrones, predicción, intentan simular redes con un alto grado deoptimización, control, memorias asociativas, etc.). paralelismo sobre máquinas que ejecuten secuencialmente las operaciones. Valores intrínsecosDeben distinguirse bien los conceptos de emular y de las redes neuronales no pueden obtenerse de estasimular, que es aplicable a los sistemas expertos. forma.Ambos significan un intento de reproducir elcomportamiento, pero en la emulación, además, se Otro método es la realización de redes neuronales atrata de imitar no sólo unas reglas de funcionamiento, través de arquitecturas orientadas a la ejecución desino la estructura interna de algo. procesos con un alto de paralelismo, tales como redes de transputers, arquitecturas sistólicas, etc. Este método es una optimización del anterior, ya que el
  • 4. acelera el proceso, permitiendo una respuesta en digitales y con la alternativa de matriz de neuronas otiempo real, pero el comportamiento real de la red de sinapsis.sigue siendo simulado por una estructura ajena a laestructura intrínseca de una red neuronal. 5. CONCLUSIONESUna tercera aproximación radicalmente distinta es la Las RNA han sido aplicadas en un gran número derealización de redes neuronales mediante su problemas reales de complejidad considerable. Suimplementación por uno o varios circuitos más importante ventaja es la de resolver problemasintegrados específicos. Son los llamados chips que son muy complejos para tecnologíasneuronales. Las neuronas y las conexiones se emulan convencionales, problemas que no tienen unacon dispositivos específicos, de forma que la solución determinística o para los cuales una soluciónestructura del circuito integrado refleja la arquitectura determinística es muy complicado encontrarla.de la red. Se consigue de esta forma realizacionesque funcionan a alta velocidad, pero a costa de una En general, por ser una abstracción del cerebropérdida notable de velocidad. biológico, las RNA son buenas para resolver aquellos problemas que las personas resuelven adecuadamente, pero que los computadores no. Estos4.2. Herramientas software de desarrollo: problemas, entre otros, incluyen reconocimiento de patrones y problemas de pronóstico (los cualesLa comercialización de productos software es la requieren el reconocimiento de una tendencia en unosforma más extendida para simular redes neuronales, datos).debido a las ventajas citadas anteriormente. Ladiferencia entre los distintos productos softwareradica en aspectos tales como el tipo y el número de 6. REFERENCIAS BIBLIOGRÁFICASarquitecturas de red que soporta, velocidad deprocesamiento, interfaz gráfica, exportación de GESTAL-POSE, M. (2009-12-04). Introducción acódigo C para el desarrollo automático de las Redes Neuronales. Coruña, First edition.aplicaciones, etc. HURTADO, J; ÁLVAREZ, D. (2002). Optimización basada en confiabilidad por medio de redesAlgunos de los productos comerciales son: ANSim neuronales y algoritmos evolutivos. Revista(DOS), ExpertNet (DOS, Windows), Neuralesk Internacional de Métodos Numéricos para(Windows), Neuralworks Pro II/Plus (DOS, OS/2, Cálculo y Diseño en Ingeniería. Manizales-UNIX, VMS). Colombia. Vol. 18, 4, 573-593.Neurocomputadores de propósito especial y depropósito general: Como se sabe un 7. LINCOGRAFÍAneurocomputador es básicamente un conjunto deprocesadores conectados con cierta regularidad que CASTRO, L; SANCHEZ, A; DORADO, J. (2002).operan concurrentemente. Los de propósito general Redes de Neuronas Artificiales. Consultado el 5deben ser capaces de emular un gran número de de febrero de 2011 de:modelos de red neuronal. Los de propósito especial http://www.madsgroup.org/~laura/recursos-han sido diseñados para implementar un modelo ii/RNA.pdf.gzespecífico de red neuronal. Redes Neuronales (2000-08-03). Consultado el 2 de febrero del 2011 de:Implementación microelectrónica (VLSI). En general http://members.tripod.com/jesus_alfonso_lopez/si la red ha estado previamente simulada y su RnaIntro.htmlconfiguración de conexiones perfectamente Red Neuronal Artificial (2010). Consultado el 5 dedeterminada, se busca la implementación sobre un febrero del 2011 de:circuito de conexiones fijas. La presentación del http://es.wikipedia.org/wiki/Red_neuronal_artifipanorama que actualmente existe en el ámbito de la cialimplementación VLSI de redes neuronales resultacomplicada por la gran cantidad de aportacionesexistentes, tanto en soluciones analógicas como

×