Neuronas Artificiales: Identificación Biométrica

Neuronas Artificiales: Identificación Biométrica

             Castillo Betancourt Nicolás Adolfo

                  1802801@unimilitar.edu.co

Resumen- Realización de una investigación centrada en la implementación de las redes neuronales. El fin de esta indagatoria consiste en generar una perspectiva del tema, con el propósito de enfocar un área aplicativa de esta tecnología, y posterior a ello estructurar un proyecto experimental sustentado por esta técnica.

Adicionalmente el principal objetivo de este documento es analizar diferentes puntos de vista de los componentes y sistemas integrados que se han usado e implementado a lo largo de los años para dar bases y antecedentes que sirvan como soporte para el nuevo proyecto a desarrollar.

Con base en los datos e información recolectada se generan áreas aplicativas para la estructuración experimental que será sustentada por técnicas realizadas anteriormente.

1. Introducción

El cerebro es el órgano más complejo del ser humano y a lo largo de la historia se ha encontrado en diversos estudios para desarrollar sistemas matemáticos que tratan de emular su funcionamiento. Estos sistemas se han basado principalmente en el estudio de las neuronas y sus diferentes conexiones.

Existen aproximadamente 100.000 millones de neuronas en cada cerebro, lo que indica el grado de complejidad que deberían tener las máquinas que se basan en una “inteligencia artificial”.

Alan Turing en 1936 fue el primer científico en estudiar el cerebro como una forma de ver el mundo de la programación [1]. “Sin embargo, los primeros teóricos que concibieron los fundamentos de la computación neuronal fueron Warren McCulloch, un neurofisiólogo, y Walter Pitts, un matemático, quienes, en 1943, lanzaron una teoría acerca de la forma de trabajar de las neuronas (Un Cálculo Lógico de la Inminente Idea de la Actividad Nerviosa). Ellos modelaron una red neuronal básica mediante circuitos eléctricos.” [2]

En general lo que han hecho este tipo de científicos, matemáticos y programadores ha sido buscar constantemente la manera de facilitar funciones y procesos que antiguamente eran casi imposibles de resolver o analizar. Esto con la implementación de algoritmos computacionales que permitan desarrollar funciones y procesos más rápidamente. De esta manera, la inteligencia artificial se puede considerar como un “intento” por descubrir patrones de la inteligencia humana que pueden ser simulados mediante programas computacionales.

Esta rama de la tecnología ha tenido una fuerte repercusión en los últimos años debido a su alto impacto en el diseño de máquinas y software que permitan de alguna manera pensar y asimilar diferentes situaciones que se puedan presentar.

La capacidad de memorizar y asociar hechos es una característica propia del cerebro, algo que se busca en la construcción de sistemas basados en redes neuronales. Debido a que se podrían identificar situaciones tales como patrones, modelamiento y control [3]. Gran parte de las aplicaciones de las redes neuronales son simuladas por medio de la programación.

La investigación iniciada en este documento será orientada al uso y aplicación de redes neuronales, para la implementación de sistemas de seguridad informática de estudiantes y docentes universitarios. Actualmente muchas instituciones en Bogotá presentan problemas de infraestructura relacionada al control de asistencia en cada una de las entradas de las universidades; generando así, percances como pueden ser robos e ingreso sin autorización por parte de personal desconocido.

1. Desarrollo del contenido

La implementación del internet de las cosas (IOT) junto al mundo de la sensorica proporcionan herramientas esenciales al momento de crear programas que sean ejecutados mediante redes neuronales.

Un ejemplo para este caso puede ser “Large Memory Capacity in Chaotic Artificial Neural Networks: A View of the Anti-Integrable Limit”. Un proyecto que utiliza las redes neuronales para almacenar información procesada.

Es un Modelo artificial de red neuronal con funciones de activación tipo sinusoidal con cierta capacidad de memoria, así como la notable capacidad de recuperar patrones almacenados. Este proyecto de manera matemática y numérica demuestra que una elección apropiada de la activación funciones y esquema de control pueden conducir a una gran capacidad de memoria y mejor capacidad de recuperación de patrones de los nervios artificiales con modelos de red. [4]

También se pueden usar los sensores y las redes neuronales juntas para procesar información relacionada a las variables y magnitudes físicas con las que convivimos diariamente, una de ellas es del factor lluvia y la manera en que es controlada la humedad de la tierra en los cultivos. “FPGA implementation of artificial neural network for forest fire detection in wireless sensor network”. Se basa en un sensor para detectar situaciones naturales, por ejemplo, monóxido de carbono, pegajosidad, humo, etc. El objetivo es identificar las tormentas de fuego en el bosque y al predecir la tormenta de fuego en el bosque. La capacidad de detección del sensor se vuelve limitada lo que conduce a un retraso en la señal de alerta o no logra informar y es difícil deducir la ocurrencia de fuego. Para superar el problema anterior, un Feed red neuronal avanzado (FNN) se propuso para que presente la predicción de una tormenta de fuego cuando ocurre sin demora alguna. Este modelo reconoce el fuego de la llama con mayor precisión y controla el retraso de la alarma. La consecuencia de recreación del marco propuesto se verifica y se actualiza utilizando Virtex-5 y el esquema RTL fue planeado utilizando Xilinx ISE 14.6. [5]

Los algoritmos matemáticos son esenciales en la programación de las redes neuronales, ya que brindan precisión en la toma de datos, ya sea si se están reconociendo patrones por medio de una cámara web, micrófono, sensor, etc.  Unas de las aplicaciones pueden ser los vectores y la programación lineal de problemas en ingeniería mecatrónica.  Se presenta el caso del diseño “A New One-Layer Neural Network for Linear and Quadratic Programming”. Básicamente es diseño de una red neuronal para resolver problemas de programación lineal y cuadrática en tiempo real, introduciendo vectores de varias dimensiones. La red neuronal propuesta es estable en el sentido de Lyapunov y puede converger a una solución óptima del problema original cuando la función objetivo está en el conjunto definido por restricciones de igualdad. Comparado con redes neuronales de una sola capa existentes para la programación cuadrática, la red neuronal propuesta tiene la menor cantidad de neuronas y requiere condiciones de estabilidad débiles. La validez y el comportamiento transitorio de la red neuronal propuesta se

...