Introduccin a las Redes neuronales

Laboratorio de Inteligencia Artificial

Modelo biolgico
Se estima que el cerebro humano contiene ms de cien mil millones ( ) de neuronas y sinpsis en el sistema nervioso humano

Cuerpo de la neurona, Ramas de extensin llamadas dendrtas para recibir las entradas, y Axn que lleva la salida de la neurona a las desdiras de otras neuronas

Red neuronal artificial

Una de las misiones consiste en simular las propiedades observadas en los sistemas neuronales biolgicos que se caracterizan por su generalizacin y su robustez. Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a travs de interconexiones y emite una salida. Respecto al Diseo y programacin de una RNA,en un paradigma convencional de programacin se modela mediante un algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho problema.

En RNA se parte de un conjunto de datos de entrada significativo y el objetivo es conseguir que la red aprenda automticamente las propiedades. tiene ms que ver con la seleccin del modelo de red, las variables a incorporar , el conjunto de entrenamiento.

Red neuronal artificial ,ejemplo

Ejemplo 1: Diagnostico de Imgenes mdicas 1) Durante la fase de entrenamiento el sistema recibe imgenes de tejidos que se sabe (aprendizaje supervisado) son cancergenos y tejidos que se sabe son sanos 2) Una vez entrenado el sistema podr recibir imgenes de tejidos no clasificados y obtener su clasificacin sano/no sano con un buen grado de seguridad. 3) Las variables de entrada pueden ser : a) los puntos individuales de cada imagen b) un vector de caractersticas de las mismas que se puedan incorporar al sistema : i. procedencia anatmica del tejido de la imagen ii. a edad del paciente al que se le extrajo la muestra iii. Analisis clnicos adicionales

Ventajas

Aprendizaje: tienen la habilidad de aprender mediante una etapa de aprendizajeconsistente en proporcionar a la RNA datos como entrada a su vez que se le indica cul es la salida (respuesta) esperada. Auto organizacin: crea su propia representacin de la informacin en su interior. Sin necesidad de una programacin explicita . Tolerancia a fallos. Almacena la informacin de forma redundante, sta puede seguir respondiendo aceptablemente an si se daa parcialmente. Flexibilidad: puede manejar cambios no importantes en la informacin de entrada, como seales con ruido u otros cambios en la entrada por ejemplo si la informacin de entrada es la imagen de un objeto, la respuesta correspondiente es acertada inclusio si la imagen tiene parametros de luz ligeramente distintos o el objeto cambia ligeramente de posicin Tiempo real: es paralela, si se implementa con con computadoras o en dispositivos electrnicos que utilicen dicha paralelizacin se pueden obtener respuestas en tiempo real , de la misma manera que el cerebro es capaz de procesar cantidades ingentes de informacin en paralelo sin un esfuerzo aparente:
Comprensin de imgenes Comprensin de sonidos Comprensin de parmetros tactiles, de calor y movimiento

Modelo de red
La forma que dos neuronas interactuan no es totalmente conocida, En general, una neurona enva su salida a otras por su axn. Este proceso es a menudo modelado como la funcin de red . La neurona recoge las seales por su sinpsis sumando todas las influencias excitadoras e inhibidoras.

Si las influencias excitadoras positivas dominan, entonces la neurona da una seal positiva y manda este mensaje a otras neuronas por sus sinpsis de salida. En el caso general el valor de activacin de la neurona viene dado por una funcin de activacin

El Perceptrn
Los perceptrones se disearon para emular las caractersticas principales de las neuronas biolgicas. Su funcionamiento es el siguiente: Una serie de entradas se aplican al perceptrn, luego esas entradas son multiplicadas por un peso (tambin llamado factor), que representa la "fuerza" de la conexin sinptica y todas las entradas multiplicadas por su peso se suman para determinar el nivel de activacin del perceptrn. De aqu en adelante nos referiremos a este sumatorio con el trmino NET.

La Funcin de Activacin
La salida NET es generalment utilizada ms adelante por una funcin de activacin que denominaremos F para producir la seal de salida del perceptrn, denominada OUT. Esta funcin puede ser de distintos tipos: 1.Lineal: OUT = K * NET (siendo k una constante numrica)

2.Umbral (Abrupta, binaria): La salida es 1 si NET>K y 0 en otro caso

3.Sigmoidea (Contnua): Es la funcin que ms se parece a las caractersticas de transferencia no lineal de la neurona biolgica y permite funciones de red ms generales. Esta funcin adems comprime el rango de NET, por lo que pertenece al tipo de funciones de aplastamiento

Perceptrn multicapa
El perceptrn multicapa es una (RNA) formada por mltiples capas, esto le permite resolver problemas que no son linealmente separables, lo cual es la principal limitacin del perceptrn simple)

Las capas pueden clasificarse en tres tipos: Capa de entrada: Constituida por aquellas neuronas que introducen los patrones de entrada en la red. En estas neuronas no se produce procesamiento. Capas ocultas: Formada por aquellas neuronas cuyas entradas provienen de capas anteriores y las salidas pasan a neuronas de capas posteriores. Capa de salida: Neuronas cuyos valores de salida se corresponden con las salidas de toda la red.

Continuacion
Seguir a partir de : http://ohm.utp.edu.co/neuronales/Capitulo 2/Perceptron/ReglaP.htm