You are on page 1of 18

REPBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA


UNIVERSIDAD EXPERIMENTAL POLITECNICA DE LA FUERZA ARMADA
NACIONAL
NUCLEO LARA

REDES NEURONALES

Asignatura: Inteligencia Artificial


Profesor: Ing. Ozal
Integrantes:
Jose Perez
Maria Avendao
Enrique Melendez
Calamid Dimas
Seccin: 7M1IS
Barquisimeto, 30 de Junio del 2012
NEURONA BIOLOGICA

El sistema nervioso central est formado por


mltiples neuronas interconectadas mediante
simple sinapsis.
Se estima que el cerebro humano contiene ms de
100 mil millones de neuronas 10 17 sinapsis.
sinapsi

Una neurona biolgica contiene tres partes


Cuerpo de la neurona
Dendritas: lleva las seales de entradas.
Axn: conduce las seales de salidas .

FUNCIONAMIENTO DE LA NEURONA BIOLOGICA

Cada clula se enlaza con otra clula a travs de las


ramificaciones de su axn.
El enlace se realiza mediantes uniones denominadas
sinapsis.
El efecto de la clula receptora es la elevacin o
disminucin de un potencial elctrico dentro del soma.
Cuando este potencial alcanza un cierto umbral, la
clula emite su vez un pulso de intensidad y duracin
determinadas.
NEURONA ARTIFICIAL
Es un sistema de procesamiento distribuido de
informacin inspirado en el sistema nervioso
biolgico del cerebro humano.
Tambin lo podemos definir :
Como un conjunto de elementos procesado elemental
conectados entre s mediante enlace que sirven para
enviarse informacin.
Las redes neuronales combinan modelos matemticos
de las clulas elementales y modelos de
arquitecturas que describen las interconexiones que
existen entre estas clulas .
FUNCIONAMIENTO DE LA NEURONA ARTIFICIAL

El conocimiento es adquirido a travs de un proceso de


aprendizaje.
La fuerza de las conexiones entre neuronas, conocida
como peso sinptico, que utiliza para almacenar
conocimiento .
DISEO DEL RNA

Desde un punto de vista matemtico, se puede ver


una red neuronal como un grafo dirigido y ponderado
donde cada uno de los nodos son neuronas
artificiales y los arcos que unen los nodos son las
conexiones sinpticas. Al ser dirigido, los arcos son
unidireccionales. Qu quiere decir esto? En el
lenguaje de neuronas y conexiones significa que la
informacin se propaga en un nico sentido, desde
una neurona presinaptica (neurona origen) a una
neurona postsinptica (neurona destino).
Lo usual es que las neuronas se agrupen en capas
de manera que una RNA est formada por varias
capas de neuronas. Aunque todas las capas son
conjuntos de neuronas, segn la funcin que
desempean, suelen recibir un nombre especifico.
Las ms comunes son las siguientes:

Capa de entrada : las neuronas de la capa de


entrada, reciben los datos que proporcionan a la
RNA para que los procese.

Capas ocultas : estas capas introducen grados de


libertad adicionales en la RNA. El nmero de ellas
puede depender del tipo de red que estemos
considerando. Este tipo de capas realiza gran parte
del procesamiento.

Capa de salida : Esta capa proporciona la


respuesta de la red neuronal. Normalmente tambin
realiza parte del procesamiento.
APLICACIONES DEL RNA

Las primeras aplicaciones de las RNA fueron las del


modelado de distintos procesos de actividad
neurobiolgicas, posteriormente se comenz a investigar
su aplicacin al control y al procesado de seales en
tiempo real y al anlisis de datos.
Las redes neuronales se pueden aplicar para los
siguientes:
Reconocimiento de texto manuscrito.
Reconocimiento del habla.
Procesamiento de imgenes digitales.
Simulacin de sistemas complejos, tales como
centrales de produccin de energa.
Deteccin de explosivos.
Identificacin de blancos de radares.
APLICACIONES EN CIENCIAS ECONOMICAS

Deteccin de fraudes con tarjetas de crdito.


Prediccin de quiebra bancaria.
Aplicaciones para las tarjetas de crditos.
Precios de arbitraje.
Anlisis en el mercado de capitales.
Anlisis de la salud financiera de las empresas.
Proyecciones del Cash Flow.
Prediccin de cambios en la tendencia del
mercado.
Predicciones en los requisitos de personal .
APLICACINES EN LA MEDICINA
Modelado de sistema
Determinacin del ECG fetal. La red neuronal es capaz de
modelar la seal cardiaca materna para cancelarla en la
seal abdominal que contiene tanto materna como fetal.

Determinacin electromiograma .
Modelado de series temporales (series RR, series de
presin, etc.).
Clasificacin y Diagnostico :
Este ha sido el campo central de las aplicaciones de las
redes neuronales en medicina. Podemos descatar, como
ejemplo: la clasificacin de las clulas para el diagnostico
del cnceres, la determinacin de ciertas arritmias,
clasificacin de cromosomas, clasificacin del llanto de
bebes, etc.
Control:
El control neuronal permite que los sistemas interacten
con el entorno aprendiendo las caractersticas de este.
APLICACIONES EN PROCESAMIENTO DE IMGENES

Desde su introduccin, se han propuesto y probado una gran


cantidad de aplicaciones:

Reconocimiento de patrones.
Reconocimiento de caracteres.
Extraccin de lneas, contornos y esquinas.
Eliminacin de ruido.
Rellenado de orificios.
Deteccin de sombras.
Aislamiento de pequeos objetos.
Comprensin de informacin.
Deteccin de movimiento.
ELEMENTOS DE UNA NEURONA ARTIFICIAL

ENTRADAS : Estas capas reciben la informacin desde el


exterior como son: Entradas Wj a la neurona.

PESOS: Normalmente una neurona recibe muchas y


mltiples entradas simultneas. Cada entrada tiene su
propio peso relativo el cual proporciona la importancia de
la entrada dentro de la funcin de agregacin de la
neurona.

SALIDAS: Cada elemento de procesamiento tiene permitido


una nica salida yi(t) que puede estar asociada con un
nmero elevado de otras neuronas. Normalmente, la salida
es directamente equivalente al valor resultante de la
funcin de activacin.
ENTRENAMIENTO DE LA RNA

Durante la operatoria de una red neuronal podemos


distinguir claramente dos fases o modos de operacin:
la fase de aprendizaje o entrenamiento, y la fase de
operacin o ejecucin.

Fase de entrenamiento.
Una vez seleccionada el tipo de neurona artificial que se
utilizar en una red neuronal y determinada su topologa es
necesario entrenarla para que la red pueda ser utilizada.
Partiendo de un conjunto de pesos sinpticos aleatorio, el
proceso de aprendizaje busca un conjunto de pesos que
permitan a la red desarrollar correctamente una
determinada tarea.
El proceso de aprendizaje se puede dividir en tres
grandes grupos de acuerdo a sus caractersticas [Isasi
Viuela y Galvn Len, 2004], [Yao, 1999]:

Aprendizaje supervisado . Se presenta a la red un


conjunto de patrones de entrada junto con la salida
esperada. Los pesos se van modificando de manera
proporcional al error que se produce entre la salida real
de la red y la salida esperada.

Aprendizaje no supervisado . Se presenta a la red un


conjunto de patrones de entrada. No hay informacin
disponible sobre la salida esperada. El proceso de
entrenamiento en este caso deber ajustar sus pesos en
base a la correlacin existente entre los datos de
entrada.

Aprendizaje por refuerzo . Este tipo de aprendizaje se


ubica entre medio de los dos anteriores. Se le presenta a
la red un conjunto de patrones de entrada y se le indica a
la red si la salida obtenida es o no correcta. Sin embargo,
Fase de operacin .
Una vez finalizada la fase de aprendizaje, la red puede
ser utilizada para realizar la tarea para la que fue
entrenada. Una de las principales ventajas que posee
este modelo es que la red aprende la relacin existente
entre los datos, adquiriendo la capacidad de generalizar
conceptos. De esta manera, una red neuronal puede
tratar con informacin que no le fue presentada durante
de la fase de entrenamiento.

Aprendizaje por correccin de error


Consiste en ajustar los pesos de las conexiones de la red
en funcin de la diferencia entre los valores deseados y
los obtenidos en la salida de la red; es decir en funcin
del error cometido en la salida.
LIMITACIONES DE UNA RED NEURONAL ARTIFICIAL
No es fcil generalmente explicar los resultados obtenidos.
El conjunto de patrones debe ser homogneo para obtener
buenos resultados en la etapa de aprendizaje.
El conjunto de aprendizaje debe estar bien seleccionado,
distribuidos en totalidad del espacio de posibles entradas a la
red.
El proceso de aprendizaje es clave:
No se puede intentar que la red aprenda algo que es
imposible aprender.
Si los ejemplos son contradictorios no puede haber
aprendizaje correcto.
Cada vez ms se proponen soluciones compuestas de RNAs y
otras tcnicas de IA como algoritmos Genticos o Lgica
Difusa.
ALCANCES
Una importante potencia de clculo al tener una
estructura distribuida y masivamente paralela.
Gran capacidad de aprendizaje y de aprendizaje
adaptativo.
Gran habilidad para generalizar, esto es, de producir
resultados razonables a partir de datos de entrada que
desconoce.
Posee gran habilidad para resolver problemas en los que
aparecen dependencias temporales.
Tienen gran capacidad de auto organizacin.
Tratan gran volumen de informacin.
Que operan en tiempo real.
Y son de fcil insercin dentro de cualquiera de las
GRACIAS
POR
ATENCION