Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DATOS INFORMATIVOS
NOMBRE: Pal Jerez NIVEL: VIII A CARRERA: Ingeniera Mecatrnica MATERIA: Automatizacin Industrial Mecatrnica FECHA: 17 de Septiembre del 2013.
DESARROLLO
o Introduccin Las actividades de investigacin desarrolladas en torno al estudio de redes neuronales artificiales, simplemente redes neuronales o neuroredes, estn motivadas en modelar la forma de procesamiento de la informacin en sistemas nerviosos biolgicos. Especialmente, por la forma de funcionamiento del cerebro humano, que es completamente distinta al funcionamiento de un computador digital convencional. El cerebro humano corresponde al de un sistema altamente complejo, no-lineal y paralelo. En trminos sencillos lo anterior equivale a decir que puede realizar muchas operaciones simultneamente a diferencia de los computadores comunes que son de tipo secuencial, o sea, realizan slo una operacin a la vez. En este sentido, una neurored es un procesador de informacin, de distribucin altamente paralela, constituido por muchas unidades sencillas de procesamiento llamadas neuronas. La neuroredes se caracterizan principalmente por: Tener una inclinacin natural a adquirir el conocimiento a travs de la experiencia, el cual es almacenado, al igual que en el cerebro, en el peso relativo de las conexiones interneuronales. Tienen una altsima plasticidad y gran adaptabilidad, son capaces de cambiar dinmicamente junto con el medio. Poseen un alto nivel de tolerancia a fallas, es decir, pueden sufrir un dao considerable y continuar teniendo un buen comportamiento, al igual como ocurre en los sistemas biolgicos.
Tener un comportamiento altamente no-lineal, lo que les permite procesar informacin procedente de otros fenmenos no-lineales. 1
o Arquitectura de una red Es posible disear una red lineal con varias neuronas del tipo de la que se muestra en la fig. 1 A este tipo de red se le ha llamado tambin MADELINE, por ser Muchas ADELINE. La regla de entrenamiento Widrow-Hoff, slo puede entrenar redes de una sola capa de procesamiento, sin embargo esto no es una desventaja muy grande. Se puede demostrar (incluso vislumbrar) que una red lineal de varias capas siempre tiene un equivalente de una sola capa. De hecho lo nico que se lograra con capas mltiples sera una operacin de multiplicacin a los resultados de una sola capa, lo que implica multiplicar por cierto factor los resultados de la capa nica.
La figura 2 muestra una red lineal de mltiples neuronas. Ahora se adopta la notacin que MATLAB usa en el manual y en los programas.
http://www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf, Pgina 1
La figura 3 muestra un diagrama esquemtico equivalente a la figura 2 pero en este caso en simbologa reducida. Las entradas se muestran como un vector, al igual que las salidas, los elementos de tendencia y los resultados intermedios (n). Los pesos ahora son una matriz porque hay tantos pesos como nmero de neuronas en la capa procesadora para cada entrada. Cada entrada tiene un vector de pesos asociado. El conjunto completo de pesos forma una matriz con los vectores que corresponden a cada entrada. 2
2 3
http://www.slideshare.net/civerisai/redes-neuronales-atificiales-y-estadstica.pdf Redes Neuronales con Matlab, PDF Gustavo Meschino 2006, Pg. 1 - 2
Auto organizacin: Una RNA crea su propia representacin de la informacin en su interior, descargando al usuario de esto. Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma redundante, sta puede seguir respondiendo de manera aceptable aun si se daa parcialmente. Flexibilidad: Una RNA 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 no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente). Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras o en dispositivos electrnicos especiales, se pueden obtener respuestas en tiempo real.
CONCLUSIONES
En primer debemos lugar destacar que es posible modelar el funcionamiento de una neurona en forma extremadamente simple, y sin embargo, posee una gran capacidad, vemos la sencillez y la complejidad unidas de un modo maravilloso.
http://es.wikipedia.org/wiki/Red_neuronal_artificial
Otra caracterstica fundamental que no podemos olvidar son la Robustez y la Capacidad de Aprendizaje. Las neuronas son capaces de imitar y predecir el comportamiento de sistemas dinmicos sin usar ningn modelo explcito, y capaces de reconocer patrones, aunque stos tengan errores. Las redes neuronales tiene la capacidad de aprender intuitivamente y una gran capacidad de modelamiento matemtico para visualizarlo en algn tipo de sistema.
BIBLIOGRAFIA
http://es.wikipedia.org/wiki/Red_neuronal_artificial http://www.slideshare.net/civerisai/redes-neuronales-atificiales-y-estadstica.pdf Redes Neuronales con Matlab, PDF Gustavo Meschino 2006, Pg. 1 2 http://www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf, Pgina 1