c5 Redes Neuronales(1)
-
Upload
fermin-aguilar -
Category
Documents
-
view
16 -
download
0
description
Transcript of c5 Redes Neuronales(1)
MODELOS INSPIRADOS EN LA NATURALEZANeuronas Red NeuronalEvolución Natural Algoritmo genéticoExperiencia Sistema ExpertoRazonamiento Lógica DifusaEnfriamiento de metales Recocido SimuladoHormigas Colonia de Hormigas
1
5. REDES NEURONALES
5.1 Características del Sistema Nerviosoadaptabilidad aprendizaje continuodistribución del procesamiento y del “almacenamiento”alta redundanciaplasticidad (creación/modificación de sinapsis).tolerante a fallas
10 a 100 billones de neuronas, cada una conectado a otras 10.000 neuronas
Los humanos pierden prox. 1000 neuronas por dia.
2
Cerebro HumanoEl cerebro humano contiene aproximadamente 12 billones de células nerviosas o neuronas. Cada neurona tiene de 5.600 a 60.000 conexiones dendríticas provenientes de otras neuronas (figura 1). Estas conexiones transportan los impulsos enviados desde otras neuronas y están conectadas a la membrana de la neurona. Cada neurona tiene una salida denominada axón. El contacto de cada axón con una dendrita se realiza a través de la sinapsis. Tanto el axón como las dendritas transmiten la señal en una única dirección.
3
Sinapsis• Región donde las neuronas
entran en contacto– Los impulsos son transmitidos desde el
axón de una neurona hacia las dendritas de otra neurona.
– Efecto excitatorio: estimula la acción de la neurona.
– Efecto inhibitorio: efecto contrario
axón dendrita
6
REDES NEURONALES.
• Intento de producir sistemas de aprendizaje inspirados en la naturaleza (basado en modelos abstractos de cómo pensamos y cómo funciona el
cerebro)• Modelo matemático inspirado en el funcionamientos de las neuronas
biológicas• Conformado por varias unidades de procesamiento (neuronas)
interligadas por conexiones (sinapsis)• Eficiente donde los métodos tradicionales son considerados inadecuados.
• El aprendizaje se logra en la actualización de esos pesos.
• Los redes neuronales sirven para resolver problemas: Primero los problemas son complejos, o sea usted no puede inventar un
algoritmo simple para resolver el problema paso a paso o una fórmula precisa para darle una respuesta y
Segundo, los datos proporcionados para resolver el problema son igualmente complejos y puede ser aleatorio o incompletos.
7
5.2 NEUROCOMPUTACION• Entre otros nombres utilizados tenemos (conexionismo, procesamiento
distribuido en paralelo, cómputo neuronal o neural , Redes adaptativas y cómputo colectivo). El modelo neurológico es programado para aprender
• Las redes neuronales, poseen un grado de interconexiones similares a la estructura del cerebro, este método ciertamente no es empleado en computadoras convencionales
• Aprender es una capacidad que la red posee gracias a sus neuronas . La neurona biológica posee características no algorítmicas y de esa forma no aplica principios digitales o circuitos lógicos
• Se una red aprende, ella obviamente retiene conocimiento, el conocimiento almacenado está distribuido por toda la red ,
• El cerebro humano consume de 20 a 25% de la energía corporal y posee un total de 10 billones de neuronas siendo que cada uno hace entre mil a diez mil conexiones con las neuronas adyacentes , Se fuese posible que un chips reprodujera esas conexiones tendría aproximadamente 5,000 m2
• fuente[1] Malcon A. Pag.45
8
9
El Aprendizaje sináptico es masivamente paralelo lo que torna flexible, rápido y Eficaz, haciendo una comparación entre el cerebro y el computador resulta los siguiente valores
Parámetro Cerebro Computador
Material Orgánico Metal o plástico
Velocidad Milisegundos Nanosegundos
Tipos de procesamiento Paralelo Secuencial
Almacenamiento Adaptativo Estático
Control de procesos Distribuido Centralizado
Número de elementos procesados
10e11 a 10e14 10e5 a 10e6
Ligazones entre elementos procesados
10 000 <10
Tabla 5-1. Comparación entre cerebros y computadora digitales
Fuente: Malcon 1997 pag.52
9
Tabla 5.2 Cuadro comparativo entre computadoras y neurocomputadoras
Maquinas de Von Neumann
Neurocomputadores
Ejecuta programas Aprende
Ejecuta operaciones lógica
Ejecuta operaciones no lógicas , transformaciones complejas
Depende del modelo o del programador
Descubre las relaciones o reglas de los datos y ejemplo
Verifica una actividad a la vez
Verifica todas las posibilidades en paralelo
10Fuente: Malcon 1997 pag.53
Red Neuronal
Neuronas intermedias
Neuronas de salida
Neuronas de Entrada
Conexiones
ArquitecturaModelo de redes neuronales Uno de los primeros
modelos matemáticos de una neurona fue el propuesto por McCulloch y Pitts en 1943 y es en el que se basan las redes
Neuronales actuales.
11
5.3 ELEMENTOS DE LAS NEURONALES ARTIFICIALES La neurona artificial.-También llamado elemento de procesamiento Señales de entrada y salida (Xi) , la neurona posee al principio una o mas
señales de entrada y una señal de salida. Las entradas de una neurona artificial puede ser comparadas exactamente como estímulos para la neurona natural, todos estos estímulos son traídos simultáneamente osea se procesan paralelamente
Pesos(Wi).- Los pesos son atributos importantes de la neurona se puede comparar con las dentritas realizando sus sinapsis con otras neuronas. gracias a esta comparación los pesos son llamados de pesos sinápticos. Los pesos representados por W (weight=peso) son valores que representan el grado de importancia que determinada entrada posee en relación al determinada neurona.
Función de activación y función de transferencia La función de activación antecede a la función de transferencia y tiene por
atribución repasar la señal para la salida de la neurona en modelos simples la función de activación puede ser la propia suma de entradas
La función de transferencia define a quien envía para afuera de la neurona el valor pasado por la función de activación
12
La neurona artificial posee el siguiente formato
13
ENTRADAS
Wj0
W j1
W j2
X0
X1
X2
SALIDAS
FUNCION DESUMA
FUNCION DETRANSFERENCIA
PESOS
Las conexiones entre las neuronas procuran simular las conexiones sinápticas biológicas haciendo uso de una variable llamada peso, la función de suma acumula los datos recibidos (estímulos) de otros elementos y la función de transferencia procesa a la función suma
Elemento ProcesadorEntrada / Función de Transferencia / Salida
f : Representa la función de transferencia para esa unidad, que corresponde a la función escogida para transformar la entrada netai (entrada ponderada
total) en el valor de salida
14
Valores de entrada / salida• Las señales de e/s de una RNA son generalmente números reales• Estos números deben encontrarse dentro de un intervalo típicamente entre
[0,1] o [–1,1]
15
Nombre Relación S y E Ícono Función
Limitador Fuerte
hardlim
Limitador Fuerte Simétrico
hardlims
Lineal Positiva poslin
Lineal purelin
Lineal Saturado
satlin
Resumen de funciones de transferencia
16
Resumen de funciones de transferencia: (cont…)
Nombre Relación S y E Ícono Función
Lineal Saturado Simétrico
satlins
Sigmoidal Logarítmico
logsig
Tangente Sigmoidal Hiperbólica
tansig
Competitiva compet
17
Figura 5.4 La conexión sináptica artificial
18
ESTIMULO
Las unidades son conectadas a través de conexionesCodifican el conocimiento de la red
conexiones poseen valores asociados (pesos)Tipos de conexiones
excitatorias wij > 0inhibitorias wij < 0inexistentes wij = 0
El tipo de conexión, numero de capas de neuronas y el tipo de entrenamiento son los aspectos que difieren en los tipos de redes neuronales, entre los modelos ya publicados en las revistas especializadas se encuentran como clásicos los modelos de BackPropagation, Hopfield , Cohonem , Perceptron, Boltzman y otros
Topología o Arquitectura de RNA) Redes Feedforward (No recurrentes) Conexiones unidireccionales:
Una Capa:Perceptron, Adaline (ADAptive LInear Neuron),
Multicapa: MLP
Clasificación de RN por el tipo de sus Conexiones
20
B) Redes Feedback (recurrentes)
Presenta conexiones de Retorno
Topología o Arquitectura de RN
Redes de kohonen Redes de Base Radial
21
• Aprendizaje Supervisado• Se logra comparando la salida de la red con la respuesta correcta ya
conocida por el MAESTRO.• La diferencia de esta comparación permite ajustar los pesos de las
conexiones entre sus neuronas, para buscar una salida mas aproximada a la correcta.
• El aprendizaje se da a través de un proceso iterativo de ajuste aplicado a sus pesos sinápticos
• Aprendizaje No Supervisado• No requiere influencia externa para ajustar sus pesos de las
conexiones entre sus neuronas.• No recibe ninguna información del entorno que le indique si la salida
generada respecto a una determinada entrada es o no correcta.• Por ello se dice que estas RN son capaces de Autoorganizarce.
23
5.6 APLICACIONES
• Se usan para la clasificación y reconocimiento de patrones.
• Problemas donde es importante el patrón más que los datos exactos.
• Aplicaciones: Clasificación.,Regresión , Agrupamiento (Clustering) ,Aproximación de curvas
24
5.7 DIFERENCIA DE REDES NEURONALES CON LOS SISTEMAS EXPERTOS
Las redes neuronales se asemejan a los sistemas expertos en cuanto al objetivo de representar el conocimiento pero son radicalmente opuestos en cómo aspiran a conseguirlo. Como vemos, los sistemas expertos se acercarían más al razonamiento deductivo -obtener reglas- y las redes neuronales al inductivo -aprendizaje mediante ejemplos-. La gestión empresarial utiliza frecuentemente ambos esquemas de razonamiento, por lo que ambas técnicas tienen cabida. Además, ambos modelos son perfectamente compatibles, de forma que se pueden integrar en un único sistema. (internet)
28