Redes Neuronales

Desarrollo de la I.A. en imitar el aprendizaje animal a nivel neuronal

Conocida como redes neuronales biológicas, Las neuronas se modelan mediante unidades de proceso, caracterizadas por una función de activación que convierte la entrada total recibida de otras unidades en un valor de salida, el cual hace la función de la tasa de disparo de la neurona.

Las conexiones sinápticas se simulan mediante conexiones ponderadas; la fuerza o peso de la conexión cumple el papel de la efectividad de la sinapsis. Las conexiones determinan si es posible que una unidad influya sobre otra, los pesos definen la intensidad de la influencia.

Una unidad de proceso recibe varias entradas procedentes de las salidas de otras unidades de proceso. La entrada total de una unidad de proceso se suele calcular como la suma de todas las entradas ponderadas, es decir, multiplicadas por el peso de la conexión. El efecto inhibitorio o ex citatorio de las sinapsis se logra usando pesos negativos o positivos respectivamente.

Redes Neuronales Biológicas Redes Neuronales Artificiales

Neuronas Unidades de proceso

Conexiones sinápticas Conexiones ponderadas

Efectividad de las sinapsis Peso de las conexiones

Efecto excitatorio o inhibitorio Signo del peso de una conexión

Estimulación total Entrada total ponderada

Activación -> tasa de disparo Función de activación -> Salida

La unidad de proceso la podemos apreciar en:

(Estimulación total recibida = sumatorio de las entradas ponderadas)

(Salida = Activación = función de la estimulación total recibida)

REDES NEURONALES DE ALIMENTACION POSITIVA

CONCEPTO

Una neurona es un dispositivo de todo o nada. La neurona no hace nada a menos que la influencia colectiva de todas sus entradas (sinapsis) alcance un nivel de umbral. En ese caso la neurona se dispara, es decir, produce una salida de potencia completa, que se manifiesta como un pulso estrecho que se desplaza del cuerpo por el axón, hasta las ramas de este.

Una neurona consta de las siguientes partes:

Un Cuerpo.

Muchas dendritas: protuberancias que facilitan la conexión con los axones de otras neuronas.

Un axón: protuberancia que transporta la salida de la neurona hasta las conexiones de otras neuronas.

ESTRUCTURA

La forma como las neuronas de una red neuronal están interconectadas determina su estructura. Para propósitos de identificacion y control, las estructuras más usadas son:

Redes de alimentación hacia adelante de una capa: Esta es la forma más simple de una red neuronal. Esta tiene solo una capa de neuronas. La más conocida es llamada Perceptron. Básicamente, Ésta consta de una neurona con pesos sinópticos ajustables y una función de umbral.

Redes de alimentación hacia adelante multicapa: Estas se distinguen por la presencia de una o más capas ocultas, cuyos nodos computacionales se llaman neuronas ocultas. Típicamente, las neuronas en cada capa tienen como señales de entrada, las señales de salida de la capa precedente. Si cada neurona en cada capa es conectada con todas las neuronas de las capas adyacentes, entonces la red neuronal es llamada totalmente conectada, en el caso opuesto, es llamada parcialmente conectada.

3. Redes de funciones radiales básicas: Este tipo de redes neuronales tiene tres clases totalmente diferentes de capas:

1. La capa artificial de entrada de nodos de entrada.

2. La capa oculta, con un alto número de nodos (neuronas). Cada uno de estos nodos ejecuta una transformación no-lineal a la entrada, denotadas funciones radiales básicas.

3. La capa de salida, la cual es una combinación lineal de las salidas de las neuronas ocultas.

4. Redes neuronales dinámicas: Éste tipo de redes se distinguen de las redes neuronales estáticas porque tienen al menos un ciclo de retroalimentación. Estos ciclos involucran el uso del tiempo discreto y de bifurcaciones compuestas por elementos de una unidad de retraso.

EJEMPLO

La figura 8 muestra una red neuronal que, a partir de dos entradas básicas entre los elementos A1, A2, A3, B1, B2, B3 (los tres primeros de la clase A y los tres últimos de la Clase B), reconoce si estos son de igual o distinta clase.

Para solucionar este problema se realiza la red neuronal mostrada en la figura anterior, que consta de una capa de nodos ocultos y una capa de nodos de salida que emiten las conclusiones. Se muestran los pesos asignados a las entradas además de los umbrales de cada nodo.

Si por ejemplo, solo se activan las entradas A1 y A3:

El nodo 11 computa 1*A1+1*A2+1*A3 = 1*1+1*0+1*1 = 2, y Como 2>0.5 su salida S11=1.

El nodo 12 computa 1*B1+1*B2+1*B3 = 1*0+1*0+1*0 = 0, y como 0<=0.5 su salida S12=0.

El nodo 21 computa 1*S11+1*S12 = 1*1+1*0 = 1, y como 1<=1.5 su salida S21= 0.

El nodo 22 computa (-1)*S11+(-1)*S12 = (-1)*1+(-1)*0 = -1, y como -1>(1.5) su salida S22=1

La interpretación de las salidas nos indica que las entradas A1 y A3 son de igual Clase.

PERCEPTRONES

CONCEPTO

El Perceptrón es un tipo de red neuronal artificial desarrollado por Frank Rosenblat, también puede entenderse como perceptrón la neurona artificial y unidad básica de inferencia en forma de discriminador lineal, que constituye este modelo de red neuronal artificial, esto debido a que el perceptrón puede usarse como neurona dentro de un perceptrón más grande u otro tipo de red neuronal artificial.

El concepto más básico que permite comenzar a entender un perceptrón es asociarlo a un sensor, ya sea de temperatura, humedad, nivel de líquidos, grado de acidez, coloración, densidad, etc. Es, en esencia, un dispositivo que, dada la presencia de uno o varios fenómenos de entrada, permite representarlo mediante una señal de salida fácilmente reconocible. Ahora bien, si dotamos a este simple dispositivo de varios canales de entrada (dos o más), le habremos agregado una notable mejoría ya que podrá discriminar o diferenciar entre distintos fenómenos de entrada variables y entregarnos una salida que representará el criterio diferenciador o resultado de la interacción entre las entradas.

En la figura se Muestra un Perceptron con dos entradas.

ESTRUCTURA

Fue el primer modelo de red neuronal artificial desarrollado en 1958 por Rosenblat. Despertó un enorme interés en los años 60 debido a su capacidad para aprender a reconocer patrones sencillos.

Está formado por varias neuronas para recibir las entradas a la red y una neurona de salida que es capaz

...