Post on 20-Jun-2015
description
ESCOM SN-1 1
UnidadUnidad 1 1
Introducción A Los Sistemas
Neurodifusos
ESCOM SN-1 2
1.11.1 Generalidades De Las Generalidades De Las Redes Neuronales Redes Neuronales Artificiales Artificiales (RNA) (RNA)
1.1.1 Usos de las redes neuronales artificiales.
1.1.2 Problemas resueltos con RNA.
ESCOM SN-1 3
Es un arreglo masivo de elementos de procesamiento simple llamados neuronas,
los cuales poseen un alto grado de interconectividad entre sus elementos, en
los que la información puede fluir en cascada o en retroceso. Estos arreglos están inspirados en la naturaleza biológica de las
neuronas.
¿ Que Es Una RNA?¿ Que Es Una RNA?
ESCOM SN-1 4
Red Neuronal ArtificialRed Neuronal Artificial
Las redes neuronales artificiales son redes interconectadas masivamente en paralelo y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico.
Teuvo Kohonen.
ESCOM SN-1 5
Características De Las RNACaracterísticas De Las RNA
Aprendizaje Adaptativo.• Capacidad de aprender tareas basada en un
entrenamiento o una experiencia inicial.
Autoorganización.• La red crea su propia organización o representación
de la información que recibe mediante una etapa de aprendizaje.
ESCOM SN-1 6
Características De Las RNACaracterísticas De Las RNA
Tolerancia a fallos.• La red puede funcionar con información incompleta
o errónea o a pesar de algunos elementos inoperantes.
Operación en tiempo real.• La red procesa la información en paralelo y muy
rápido.
Fácil construcción en CI.
ESCOM SN-1 7
¿Qué Puede Y Qué No Puede ¿Qué Puede Y Qué No Puede Hacer Una RNA?Hacer Una RNA?
Las redes neuronales son útiles para:Clasificación de patrones.Aproximación de funciones.Mapeo.
– En los que exista información imprecisa y con tolerancia a fallos.
ESCOM SN-1 8
Las RNA No Son Útiles Para:Las RNA No Son Útiles Para:
Predicción de números aleatorios o semi-aleatorios.
Procesamiento de enteros largos.Determinación si un entero largo es primo o
compuesto.Desencriptar algo encriptado por un buen
algoritmo.
ESCOM SN-1 9
Las RNA Son Utilizadas Para:Las RNA Son Utilizadas Para:
Clasificación de patrones, Identificación de características,
Reconocimiento de patrones,Aproximación de funciones,En sistemas que contengan
información imprecisa.
ESCOM SN-1 10
1.1.1 1.1.1 Usos De Las Redes Usos De Las Redes Neuronales ArtificialesNeuronales Artificiales
Las redes neuronales son una tecnología computacional emergente que puede utilizarse en un gran número y variedad de aplicaciones, tanto comerciales como militares.
Existen diferentes tipos de redes neuronales artificiales, cada uno de los cuales tiene una aplicación particular.
ESCOM SN-1 11
Biología.Aprender más acerca del cerebro y otros sistemas.
Obtención de modelos de la retina.
Empresa.- Evaluación de probabilidad de formaciones geológicas y petrolíferas.
- Identificación de candidatos para posiciones específicas.
- Reconocimiento de caracteres escritos.
ESCOM SN-1 12
Manufacturación.- Robots automatizados y sistemas de control.- Control de producción en líneas de procesos.
Medio Ambiente.- Analizar tendencias y patrones.- Previsión del tiempo.
Finanzas.- Previsión de la evaluación de los precios.- Valoración del riesgo de los créditos.- Identificación de falsificaciones.- Interpretación de firmas.
ESCOM SN-1 13
Medicina.– Analizadores del habla para la ayuda de
audición de sordos profundos.– Diagnóstico y tratamiento a partir de síntomas
y/o de datos analíticos (electrocardiograma, encefalograma, análisis sanguíneo, etc.).
– Monitorización en cirugía.– Predicción de reacciones adversas a los
medicamentos.– Lectores de rayos X.– Entendimiento de la causa de los ataques
epilépticos.
ESCOM SN-1 14
Militares.– Clasificación de las señales de radar.– Creación de armas inteligentes.– Optimización del uso de recursos escasos.– Reconocimiento y seguimiento en el tiro al
blanco.
ESCOM SN-1 15
1.1.21.1.2 Problemas resueltos Problemas resueltos concon RNARNA
Reconocimiento de personas.– Textura del iris.– Huella dactilar.– Rostro.– Autentificación de firmas.– Dimensiones de sus manos.– Voz.
ESCOM SN-1 16
Herramientas de prediagnóstico.
– Patologías oculares.– Electroencefalogramas.– Electrocardiogramas.– Detección de melanomas.
ESCOM SN-1 17
1.- Reconocimiento De Personas Mediante La Textura Del Iris
ESCOM SN-1 18
Adquisición de Medias Firmas
Medias firmas a autentificar
AUTENTIFICACIÓN
Adquisición deAdquisición deMedias FirmasMedias Firmas
Momentosgráficos
Momentosgráficos
Velocidad
Momentos gráficos, velocidad
Resultado
Datosdinámicos
Datosdinámicos
AceptaciónAceptación
Resultado
Base de Base de DatosDatos
Pesos y umbrales
CaracterísticasCaracterísticas
Obtención de Obtención de característicascaracterísticas
Comparación Comparación de momentos de momentos
gráficosgráficos
Comparación Comparación de momentos de momentos
gráficosgráficos
Obtención de Obtención de rango derango develocidadvelocidad
Comparación Comparación de velocidadde velocidad
EntrenamientoEntrenamientode RNAde RNA
EvaluaciónEvaluaciónde RNAde RNA
Velocidad
RechazoRechazo
Muestras de medias firmas
CAPTURA
Adquisición de Medias Firmas
Medias firmas a autentificar
AUTENTIFICACIÓN
Medias firmas a autentificar
AUTENTIFICACIÓN
Adquisición deAdquisición deMedias FirmasMedias Firmas
Momentosgráficos
Momentosgráficos
Velocidad
Momentos gráficos, velocidad
Resultado
Datosdinámicos
Datosdinámicos
AceptaciónAceptación
Resultado
Base de Base de DatosDatos
Pesos y umbrales
CaracterísticasCaracterísticas
Obtención de Obtención de característicascaracterísticas
Comparación Comparación de momentos de momentos
gráficosgráficos
Comparación Comparación de momentos de momentos
gráficosgráficos
Obtención de Obtención de rango derango develocidadvelocidad
Comparación Comparación de velocidadde velocidad
EntrenamientoEntrenamientode RNAde RNA
EvaluaciónEvaluaciónde RNAde RNA
Velocidad
RechazoRechazo
Momentosgráficos
Momentosgráficos
Momentosgráficos
Momentosgráficos
VelocidadVelocidad
Momentos gráficos, velocidad
Resultado
Datosdinámicos
DatosdinámicosDatosdinámicos
AceptaciónAceptaciónAceptaciónAceptación
Resultado
Base de Base de DatosDatos
Base de Base de DatosDatos
Pesos y umbrales
CaracterísticasCaracterísticas
Obtención de Obtención de característicascaracterísticas
Comparación Comparación de momentos de momentos
gráficosgráficos
Comparación Comparación de momentos de momentos
gráficosgráficos
Obtención de Obtención de rango derango develocidadvelocidad
Comparación Comparación de velocidadde velocidad
EntrenamientoEntrenamientode RNAde RNA
EvaluaciónEvaluaciónde RNAde RNA
VelocidadVelocidad
RechazoRechazoRechazoRechazo
Muestras de medias firmas
CAPTURA
Muestras de medias firmas
CAPTURA
2.- Autentificación
De Firmas Autógrafas
ESCOM SN-1 19
Red Neuronal Artificial
ESCOM SN-1 20
3.- Reconocimiento De Personas Mediante El
Rostro
ESCOM SN-1 21
Red Neuronal Artificial
ESCOM SN-1 22
4.- Reconocimiento De Personas Mediante La Huella Digital
ESCOM SN-1 23
Red Neuronal Artificial
ESCOM SN-1 24
5.- Reconocimiento De Caracteres 5.- Reconocimiento De Caracteres ImpresosImpresos
Adquisición de la
Imagen
Tratamientode la
Imagen
Reconocimiento e interpretación
de la Imagen
Editor de texto
iw1,11,1
iwi,1S,R,
Entradas Perceptrón
a 1 = f (IW1,1p1 + b1)
p1
p2
p3
pR
n11 a 1
1
b11
1n1
2 a 12
b11
1n1
s a 1s
b1s
1
. .
. .
. .. .. .. .
Simple, básicaAprendizaje supervisadoOffline (entrena/prueba)1 capa de entrada y una de salidaFn. de transferencia EscalonRegla de aprendizaje: corrección de error
Red Neuronal Artificial
ESCOM SN-1 26
6.- Sistema De Control De Personal A Través Del Reconocimiento De
Huella Dactilar
ESCOM SN-1 27
7.- 7.- Sistema Inteligente de Reconocimiento de Caracteres
Manuscritos TT0358 :TT0358 :
Adquisición de la
Imagen
Tratamientode la
Imagen
Reconocimiento e interpretación
de la Imagen
TextoDigital
ESCOM SN-1 28
Red Neuronal Artificial
ESCOM SN-1 29
8.- Portafolio Bursátil Inteligente
Predicción de precios
RNA Backpropagation
Predicción de precios
Variables técnicas
Selección de acciones
Formación de la cartera
Porcentajes de inversión
RNA Perceptrón Simple
Teoría de carteras
Lógica difusa
Portafolio bursátil
ESCOM SN-1 30
Arquitectura del perceptrón simple para la selección de acciones
1
B= -12.46
W1=1.24
W2=6.90
W3=-4.07
W4=10.78
Vi
Ri
R
n Pi
a Salida
ESCOM SN-1 31
RNA MLP para predicción de precios de la acción
t + 1
t - 9
t - 8
t - 7
t - 6
t - 5
t - 4
t - 3
t - 2
t - 1
t
.
.
. a1 = 1 / (1 + e –n1) n1= Wij1T * a0 + bj1
a2 = n2 n2= Wij2 * a1 + bj2
a0 = Pi
ESCOM SN-1 32
9.- Sistema Integral En Ortopedia Pediátrica: SIO-P TT594
INGRESO AL SISTEMA
PRESENTACIÓN DEL SISTEMA
REGISTRO DE USUARIO
REGISTRO DE PACIENTE
PREDIAGNÓSTICO
EDICIÓN DE RECETAS
ANEXAR DIAGNÓSTICO
RADIOGRAFIAS
CONSULTA DE HISTORIAL
CLÍNICO
CONSULTA DE TRATAMIENTO
EDICIÓN DE PREDIAGNÓSTICO
ESCOM SN-1 33
Red Neuronal Artificial
ESCOM SN-1 34
10.- 10.- Sistema Sistema
Biométrico Biométrico De Control De Control
De De Personal Personal
TT514TT514
ESCOM SN-1 35
Red Neuronal Artificial
Rostro
ESCOM SN-1 36
11.- Sistema Verificador De Placas De Automóvil “Sivepa” TT497
CAPTURA
DETECCIÓN
SEGMENTACIÓN
EXTRACCIÓN DE CARACTERÍSTICAS
RECONOCIMIENTO
BASE DE DATOS
ESCOM SN-1 37
1
2
3
253
252
1
2
3
4
6
5
4
7
6
75
76
5
1
5
22
23
4
3
2
1
2
3
253
252
1
2
3
4
6
5
4
7
6
49
50
5
1
5
9
10
4
3
2
Estructura de la red que clasifica caracteres
Estructura de la red que clasifica números
Red Neuronal Artificial
ESCOM SN-1 38
Etapas Fundamentales del Procesamiento Digital de Imágenes
ESCOM SN-1 39
Etapas de un sistema de reconocimiento de Etapas de un sistema de reconocimiento de patrones.patrones.
ESCOM SN-1 40
12.- Sistema Inteligente de 12.- Sistema Inteligente de Expresiones Faciales Expresiones Faciales TTTT
ImagenLocalización
del rostro
Extracción deCaracterísticas
Faciales.
Clasificador de Patrones Interpretación
Entrenamiento
ESCOM SN-1 41
Red Neuronal Artificial
ESCOM SN-1 42
13.-Sistema 13.-Sistema Del Del
Prediágnostico Prediágnostico De Anomalías De Anomalías
En Células En Células Cérvico Cérvico UterinasUterinas
TT593TT593
ESCOM SN-1 43
ClasificadorClasificador
En el módulo de clasificación se contemplo el enfoque basado en métricas del cual tomamos el clasificador KNN (The Neighboring Near K).
La regla de clasificación por vecindad más general es la regla de clasificación de los k vecinos más cercanos o simplemente k-NN. Se basa en la suposición de que los prototipos más cercanos tienen una probabilidad a posteriori similar.
ESCOM SN-1 44
Caracteristicas del Perceptrón MulticapaCaracteristicas del Perceptrón Multicapa– Red Feeforward– Red Multicapa– Clasificación de patrones no linealmente
separables– Aprendizaje supervisado– Aprendizaje offline– El número de neuronas ocultas, lo
suficientemente grande para formar una región compleja que solucione el problema.
REDES REDES NEURONALESNEURONALES
ESCOM SN-1 45
– Los pesos se ajustan después de ver los pares entrada/salida del conjunto de entrenamiento.
– En el sentido directo la red permite un flujo de activación en las capas.
– En la retropropagación, la salida actual es comparada con la salida deseada, entonces se calcula el error para las unidades de salida.
– Entonces los pesos en la salida son ajustados para reducir el error, esto da un error estimado para las neuronas ocultas y así sucesivamente.
– Una época se define como el ajuste de los pesos para todos los pares de entrenamientos, usualmente la red requiere muchas épocas para su entrenamiento.
BACKPROPAGATIOBACKPROPAGATIONN
ESCOM SN-1 46
Diseño de una Red Neuronal– Supervisada: requiere de pares de datos
consistente de patrones de entrada y salida correcta.
– El número de elementos del vector de entrada (Número de características extraídas) estará determinado por el tipo de problema a resolver.
– La selección del vector de salida o vectores determinara el numero de neuronas en la capa de salida.
……
ESCOM SN-1 47
Algoritmo de entrenamiento es Backpropagation
Vector de entrada para el entrenamiento con valores ideales como son:– NORMAL ={0.8,0.9,0.6,0.43,0.3};– LESIÓN DE BAJO GRADO =
{0.8,0.8,0.8,0.504,0.5};– LESIÓN DE ALTO GRADO
={0.4,0.5,0.9,0.535,0.7};– CÁNCER INVASOR = {0.2,0.3,1.2,0.618,0.9};
……
ESCOM SN-1 48
La velocidad de aprendizaje se controla mediante . Normalmente, debe ser un número entre 0.05 y 0.25 según la bibliografía.
Añadir un momento (sumar una fracción del ajuste del peso anterior al ajuste actual).
Error propuesto es de 0.007.
……
ESCOM SN-1 49
1.2 Introducción A La 1.2 Introducción A La Lógica Difusa (LD)Lógica Difusa (LD)
UnidadUnidad 1 1