Redes Neuronales Artificiales

[pic 1]

Contenido

Introducción        3

1.        Redes Neuronales Artificiales        4

2.        Arquitectura de una red neuronal        6

2.1.        Según el número de capas        6

2.2.        Según el tipo de conexiones        7

2.3.        Según el grado de conexión        8

2.4.        Aprendizaje        8

2.4.1.        Fase de Entrenamiento        8

2.4.2.        Fase de Operación o ejecución        9

3.        Estructuras neuronales        9

3.1.        Estructura Directa        10

3.2.        Estructura Inversa        10

3.3.        Estructura con retardo        11

3.4.        Cancelador de ruido        11

4.        Aplicaciones de las redes neuronales        12

4.1.        Diagnostico        12

4.2.        Procesamiento de señales        13

4.3.        Procesamiento y análisis de imágenes        13

5.        Referencias        14

Palabras Claves:

Redes neuronales, multicapas, entrenamiento, algoritmo.

Introducción

En estos últimos años la investigación básica y aplicada ha sido de una manera desorbitada alrededor de las redes Neuronales artificiales. Estos sistemas también son llamados sistemas de procesamiento distribuido en paralelo, sistemas conexionistas, redes neuronales y neurocomputadoras.

Entre las razones de este desarrollo explosivo, destaca las redes neuronales artificiales presentan en ciertos campos claras ventajas sobre las computadoras digitales comunes, no solo son capaces de aprender de la experiencia sin grandes complicaciones de software o de hardware, logran desarrollar de forma sencilla y sin mayores retos para las computadoras tradicionales, tales como el reconocimiento de patrones complejos, procesamiento de imágenes generaciones e interpretaciones de lenguaje natural y problemas de clasificaciones y diagnóstico difusos.

Por dichas razones ya mencionadas, se nos hizo una aventura investigar acerca este tema que nos resultó sumamente interesante, y el resultado de esta aventura investigativa se puede apreciar en las siguientes líneas.

1. Redes Neuronales Artificiales

Las redes neuronales artificiales o también conocidas como RNA o en inglés como ANN, son un paradigma de aprendizaje y procesamiento automático inspirado en la manera en que funciona el sistema nervioso de los animales. Hablamos de un sistema de interconexión de neuronas que colaboran entre sí para crear un estímulo de salida. En IA (inteligencia artificial) es recurrente referirse a ellas como redes de neuronas o redes neuronales. Siendo estas una parte de los sistemas inteligentes dentro de la rama de la inteligencia artificial. [1]

La más grande parte de los científicos concuerdan en que una RNA es bastante distinto en términos de composición de un cerebro animal. Al igual que el cerebro, una RNA está formado de un grupo masivamente paralelo de unidades de proceso bastante primordiales y es en las conexiones entre estas unidades donde se basa la sabiduría de la red. No obstante, en términos de escala, un cerebro es mucho mayor que cualquier RNA engendrada hasta esta época, y las neuronas artificiales además son más básicas que su contrapartida animal.

Biológicamente, un cerebro aprende por medio de la reorganización de las conexiones sinápticas en medio de las neuronas que lo conforman. De la misma forma, las RNA poseen un enorme conjunto de procesadores virtuales interconectados que de manera simplificada simulan la funcionalidad de las neuronas biológicas. En esta simulación, la reorganización de las conexiones sinápticas biológicas se modela por medio de un mecanismo de pesos, que son ajustados a lo largo de la etapa de aprendizaje. En una RNA entrenada, el grupo de los pesos establece el razonamiento de dicha RNA y tiene la propiedad de solucionar el problema para el que la RNA fue entrenada. Por otro lado, en una RNA, además de los pesos y las conexiones, cada neurona tiene vinculada una funcionalidad matemática llamada funcionalidad de transferencia. Esa funcionalidad crea la señal de salida de la neurona desde las señales de acceso. La ingreso de la funcionalidad es la suma de cada una de las señales de acceso por el peso asociado a la conexión de acceso de la señal. Ciertos ejemplos de entradas son la funcionalidad escalón de Heaviside, la lineal o mixta, la sigmoide y la funcionalidad gaussiana, rememorando que la capacidad de transferencia es la interacción entre la señal de salida y la acceso. [2]

La neurona artificial es un componente de procesamiento fácil que desde un vector de entradas crea una exclusiva salida. Generalmente tenemos la posibilidad de descubrir 3 tipos de neuronas artificiales, donde todas las cuales tiene su contraparte en el sistema nervioso [3]:

• Las que llegan a recibir información desde el exterior, llegando a nombrarse como neuronas de entrada
• Las que llegan a recibir información desde otras RNA denominadas neuronas ocultas, en este tipo de neuronas se realiza la representación de la información almacenada.
• Las que reciben toda la información procesada y las regresan al exterior, se les denomina neuronas de salida.

Las RNA son unidades procesadoras de información con cuatro elementos:

[pic 2]

1. El elemento recepto: es aquí donde llegan varias señales de entrada, que por lo general provienen de otras neuronas y que son atenuadas y amplificadas cada una de ellas con arreglo a un factor de peso wi que constituye la conectividad entre la neurona fuente de donde provienen y la neurona de destino en cuestión [4]
2. El elemento sumador es el encargado de efectuar la suma algebraica de las señales de entrada, ponderándolas de acuerdo a su peso.
3. El factor de funcionalidad activadora, que aplica una funcionalidad no lineal de umbral (que muchas veces es una funcionalidad escalón o una curva logística) a la salida del sumador para dictaminar si la neurona se activa, disparando una salida o no. [4]
4. El componente de salida que es el que genera la señal, según el componente anterior, que constituye la salida de la neurona. Este modelo neuronal es el usado en casi cada una de las Redes Neuronales artificiales, variando solamente el tipo de funcionalidad activadora. [4]

1. Arquitectura de una red neuronal

1. Según el número de capas

En las RNA según el numero de capas tenemos dos tipos, las redes neuronales monocapa y las redes neuronales multicapas

• Las redes neuronales monocapa son las redes neuronales mas sencillas ya que proyectan las entradas a una sola capa de neuronas de salida donde se realizan los diferentes cálculos. La capa de entrada, por no realizar ningún calculo, no se cuenta de ahí el nombre de redes neuronales con una sola capa. Una aplicación de este tipo de redes neuronales es como memorias asociativas. [5]

[pic 3]

Ilustración 1 Red neuronal monocapa

• Las redes neuronales multicapa son una generalización de la anterior existiendo un conjunto de capas intermedias entre la entrada y la salida que son capas ocultas, este tipo de redes puede estar total o parcialmente conectadas. [5]

[pic 4]

Ilustración 2 Esquema de una red neuronal multicapa

1. Según el tipo de conexiones

Las RNA según su tipo de conexión podemos encontrar dos, RNA no recurrentes y RNA recurrentes.

• Las RNA no recurrentes la propagación de señales entrantes se produce en un sentido solamente, quitando la posibilidad de realimentaciones, lógicamente este tipo de estructuras no llegan a tener memoria
• Las RNA recurrentes viene caracterizada por la existencia de lazos de realimentación. Este tipo de lazos puede ser entre neuronas de diferentes capas o entre una misma neurona. Esta estructura la hace especialmente adecuada para estudiar la dinámica de sistemas no lineales. [5]

[pic 5]

Ilustración 3 red neuronal recurrente

1. Según el grado de conexión

Las RNA existen según su grado de conexión, pueden ser RNA totalmente conectadas o parcialmente conectadas. En el primer caso todas las neuronas de una capa se encuentran conectadas con las de la capa siguiente (redes no recurrentes) o con las de la anterior (redes recurrentes). En cambio, en el segundo caso no se llega a dar la conexión total entre neuronas de diferentes capas. [6]

...