Las Redes Neuronales Artificiales

República Bolivariana de Venezuela

Ministerio para el Poder Popular de la Educación Superior

Universidad Nacional Experimental Rómulo Gallegos

Edo. Guárico

Área de Ingeniería en Sistemas

Redes Neuronales

Profesora: Alumnos:

Alcala, Liliana López, Alejandro # 23

Marín, Carlos #13152514

Medina, Jonay #18202805

Moncada, Oriana #20877003

Ruiz, Jharold #

Sánchez, Ricardo # 21202035

San Juan de los Morros, Enero de 2013

Las Redes Neuronales Artificiales (Artificial Neural Networks - ANNs) se constituyeron inicialmente como una simulación abstracta de los sistemas nerviosos biológicos formados por un conjunto de unidades llamadas neuronas o nodos conectados unos con otros. Las conexiones de estos nodos se asemejan a las dendritas y axones de los sistemas nerviosos biológicos.

Las ANNs pueden clasificarse en modelos de tipo biológico y tipo dirigido a la aplicación de acuerdo a su similitud con la realidad biológica:

Modelos de Tipo Biológico.

Se constituyen en redes que tratan de simular los sistemas neuronales biológicos así como las funciones auditivas o funciones básicas de la visión.

Modelos Dirigidos a Aplicaciones.

No necesariamente guardan similitud con los sistemas biológicos. Sus arquitecturas están fuertemente ligadas a las necesidades de las aplicaciones para las que son diseñados.

Redes neuronales de tipo biológico

Inspiración biológica

“Entender el cerebro y emular su potencia”

–

Gran velocidad de proceso

– Tratamiento de grandes cantidades de información procedentes de:

. Los sentidos

. Memoria almacenada

. Capacidad de tratar situaciones nuevas

. Capacidad de aprendizaje.

El objetivo de las redes neuronales de tipo biológico se constituye en desarrollar un elemento sintáctico que permita verificar las hipótesis correspondientes a los demás sistemas biológicos. Es decir, las redes neuronales de tipo biológico deben recibir y procesar información de otros sistemas biológicos y devolver una respuesta de acción efectiva.

Redes neuronales para aplicaciones concretas

El conocimiento que se posee sobre el sistema nervioso es aún incompleto. En este sentido, las ANNs no se encuentran muy ligadas a lo que son en sí las redes neuronales biológicas. Por lo tanto, se han definido otras funcionalidades y estructuras de conexión distintas a las establecidas por la biología.

Las principales características de las ANNs son las siguientes:

. Auto organización y adaptabilidad, utilizan algoritmos de aprendizaje adaptativo y auto organización ofreciendo posibilidades de un procesamiento robusto y adaptable.

. Procesado no lineal y paralelo, aumenta la capacidad de la neurona para poder aproximar y clasificar información haciéndose más inmune al ruido (datos desordenados).

Estas características juegan un papel importante en las ANNs aplicadas al procesado de señales. En este sentido, la red constituida para una aplicación determinada poseerá una arquitectura concreta de elementos de procesado adaptativo, masivo y paralelo que se combinan en estructuras de interconexión de red jerárquica.

Taxonomía de las redes neuronales

Toda aplicación de redes neuronales consta de dos fases: la fase de aprendizaje o entrenamiento y la fase de prueba o funcionamiento directo. En la fase de entrenamiento se usa un conjunto de datos o patrones pre-establecidos para determinar los pesos que definen el modelo neuronal. Este modelo una vez entrenado, se usará en la fase de funcionamiento directo en la que se procesarán patrones de prueba que constituyen la entrada habitual de la red con el objetivo de analizar el máximo potencial de la estructura utilizada.

Fase de Prueba

Los pesos de la red neuronal se han obtenido a partir de patrones representativos de entradas que se denominan patrones de entrenamiento. Los pesos pueden ser calculados de una vez como adaptados por defecto según el tipo de red.

Tipología de las RNA

Modelos

Existe una serie de modelos que aparecen en la mayoría de estudios académicos y la bibliografía especializada.

• Perceptrón

• Adaline

• Perceptrón multicapa

Los primeros modelos de redes neuronales datan de 1943 por los neurólogos McCulloch y Pitts La neurona de McCulloch-Pitts es una unidad de cálculo que intenta modelar el comportamiento de una neurona "natural", similares a las que constituyen del cerebro humano. Ella es la unidad esencial con la cual se construye una red neuronal artificial.

El resultado del cálculo en una neurona consiste en realizar una suma ponderada de las entradas, seguida de la aplicación de una función no-lineal.

Años más tarde, en 1949, Donald Hebb desarrolló sus ideas sobre el aprendizaje neuronal, quedando reflejado en la "regla de Hebb".

Esta regla fue introducida por Donald Hebb, apareciendo en su libro titulado " La Organización del Conocimiento" en 1949. La ley nos dice: "Si un elemento de procesado simple recibe una entrada de otro elemento de procesado y ambos están activos, el peso correspondiente a su conexión debería reforzarse (aumentar)”.

Las características en que se basa esta regla son:

Asociatividad

Auto organización

Características:

Trata de asociar patrones de salida a patrones de entrada y la estructura se organiza a sí misma.

El sistema se puede entender como un decodificador y un codificador.

En 1958, Rosemblatt desarrolló el Perceptrón simple.

En 1960, Widrow y Hoff desarrollaron el Adaline

Diseño y programación de una RNA (red neuronal artificial)

Con un paradigma convencional de programación en ingeniería del software, el objetivo del programador es modelar

...