Redes Neuronales artificiales - Rna

ESCUELA POLITCNICA DEL EJRCITO

-SEDE LATACUNGA-

INGENIERA MECATRNICA AUTOMATIZACION INDUSTRIAL MECATRNICA

ENSAYO N: 01

DATOS INFORMATIVOS

NOMBRE: Pal Jerez NIVEL: VIII A CARRERA: Ingeniera Mecatrnica MATERIA: Automatizacin Industrial Mecatrnica FECHA: 17 de Septiembre del 2013.

Redes Neuronales artificiales - Rna

TEMA REDES NEURONALES ARTIFICIALES OBJETIVOS

Realizar la investigacin referente a las Redes Neuronales Artificiales para comprender su funcionamiento y como esto concuerda con la materia de Automatizacin Industrial y la Carrera de Ingeniera Mecatrnica. Ver los tipos de aplicaciones que se pueden realizar en la actualidad concerniente a las RNA y ver cmo se puede implementar en algn mbito de la materia. Desarrollar todo tipo de informacin bibliogrfica sobre las RNA, as como aplicaciones en algn software como puede ser el caso de Matlab.

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.

Redes Neuronales artificiales - Rna

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.

Figura 1. Esquema de una red lineal

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.

Figura 2. Arquitectura de una red lineal. Se usa notacin de Matlab

http://www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf, Pgina 1

Redes Neuronales artificiales - Rna

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

Figura 3. Arquitectura de una red lineal. Se usa notacin reducida de Matlab

o Asociacin de Redes Neuronales con Software de Simulacin Matlab 3

2 3

http://www.slideshare.net/civerisai/redes-neuronales-atificiales-y-estadstica.pdf Redes Neuronales con Matlab, PDF Gustavo Meschino 2006, Pg. 1 - 2

Redes Neuronales artificiales - Rna

o Ventajas de las RNA

Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que est basada en la estructura del sistema nervioso, principalmente el cerebro. Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cul es la salida (respuesta) esperada.

Redes Neuronales artificiales - Rna

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.

o Aplicaciones de las RNA

Las caractersticas de las RNA las hacen bastante apropiadas para aplicaciones en las que no se dispone a priori de un modelo identificable que pueda ser programado, pero se dispone de un conjunto bsico de ejemplos de entrada (previamente clasificados o no). Asimismo, son altamente robustas tanto al ruido como a la disfuncin de elementos concretos y son fcilmente paralelizables. Esto incluye problemas de clasificacin y reconocimiento de patrones de voz, imgenes, seales, etc. Asimismo se han utilizado para encontrar patrones de fraude econmico, hacer predicciones en el mercado financiero, hacer predicciones de tiempo atmosfrico, etc. A continuacin detallamos un ejemplo: Quake II Neuralbot: Un bot es un programa que simula a un jugador humano. El Neuralbot es un bot para el juego Quake II que utiliza una red neuronal artificial para decidir su comportamiento y un algoritmo gentico para el aprendizaje. Es muy fcil probarlo para ver su evolucin. 4

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

Redes Neuronales artificiales - Rna

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