Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Redes Neuronales Apunte
Redes Neuronales Apunte
Redes Neuronales
CAPTULO 2
REDES NEURONALES
El genio es uno por ciento de inspiracin y un
noventa y nueve por ciento de transpiracin
Thomas A. Edison
Objetivo
El estudiante comprender los conceptos de redes
neuronales as como diferentes topologas y modelos
de redes neuronales.
Desarrollos Inteligentes
Redes Neuronales
Redes Neuronales.
Las redes neuronales artificiales o sistemas neuronales artificiales, representan
un rea importante de la Inteligencia Artificial (IA), aunque tambin existen
otras disciplinas en las que se incluyen trabajos relativos, entre ellas estn la
electrnica, fsica, biologa, y la psicologa.
En el presente captulo se estudian las redes neuronales artificiales (RNAs)
desde la perspectiva de la I A, en principio se presentan algunos conceptos
principales siendo el modelo de McCulloch y Pitts el medio por el cual se
introduce al lector en este campo. Posteriormente se revisan algunas topologas,
sus tcnicas de aprendizaje y los mtodos de entrenamiento.
Un modelo significativo lo constituye la red Backpropagation (BPN), debido
a que ha sido aplicado por los investigadores y desarrolladores en la mayora de
sus proyectos, por ello se le ha designado para su anlisis una seccin
especfica.
Resulta conveniente asimismo estudiar otros modelos de RNAs con el propsito
de ampliar el conocimiento de las redes neuronales y no permanecer con la idea
de que la red BPN es la nica a utilizar en los desarrollos inteligentes, un de
ellos es el modelo de Cohonen.
Se concluye este captulo con la presentacin de diversas aplicaciones.
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
conforman estos rganos son llamadas neuronas, cada unidad presenta una
serie de conexiones con otras neuronas mediante una serie de pequeas
ramificaciones llamadas dendritas operando a manera de entradas de seales,
cada clula realiza una transformacin de las entradas generando as una seal
de salida, la cual es enviada a travs de un componente llamado axn a otras
neuronas, el punto preciso de contacto entre el axn y la dendrita se le denomina
sinapsis, as conectadas las neuronas conforman estructuras similares al
concepto de una red.
A este conjunto de consideraciones y conceptualizaciones es lo que se ha dado
en llamar modelo de neurona de McCulloch y Pitts, de este modelo se pueden
obtener algunos razonamientos explicativos:
La neurona de McCulloch y Pitts es un modelo lgico binario, ya que solo
puede exhibir uno de dos estados. Las entradas pueden ser de dos tipos: las
excitatorias que operan en forma positiva para que se presente el disparo, es
decir la seal de salida, y las inhibitorias que operan en forma negativa
oponindose al disparo. Hay un lapso de tiempo dado fijo para la integracin de
las entradas sinpticas, basado en el retardo sinptico observado; esto le da a la
neurona su carcter de trabajo en tiempo discreto.
Efectan una serie de simplificaciones a la actividad neuronal, como son el
considerar que cada entrada sinptica tiene una misma significancia (mismo
peso), que no existen ciclos de realimentacin en la red, y que existe un valor
lmite de acumulacin de energa entrante (umbral) de valor discreto y fijo, el
cual si es rebasado permite que la neurona dispare su seal de salida.
Desarrollos Inteligentes
Redes Neuronales
Xi
Wi
Desarrollos Inteligentes
Redes Neuronales
Es decir:
Si
W1 =w2 = 1
=2
Se pueden presentar las siguientes situaciones:
x1
x2
red
s(red)
-2
-1
-1
Desarrollos Inteligentes
Redes Neuronales
2.2 Topologas.
El nmero de modelos y tipos de RNAs se ha incrementado considerablemente
a tal grado que es necesario establecer una clasificacin de ellas, para efectuar
una taxonoma se requiere realizar una descripcin formal de la topologa de las
redes, es decir su arquitectura o estructura, que consiste en la organizacin de
las neuronas en la red mediante capas, el nmero de estas capas, el nmero de
neuronas por capa, el grado de conectividad y el tipo de conexiones entre
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
de las arquitecturas
empleados en ellas.
2.3.1 El mecanismo bsico de aprendizaje.
Como se estableci en la seccin 2.1, una red neuronal consiste de un conjunto
de elementos de proceso (EP) denominados neuronas, las cuales se encuentran
agrupadas en subconjuntos llamados capas, cada elemento j recibe un
conjunto de entradas Xi, las cuales provienen de cada una de las neuronas i
pertenecientes a la capa anterior, a cada una de estas entradas se le asocia un
valor numrico Wij llamado peso de conexin entre las neuronas i y la j
segn se muestra en la figura 2.3.1.
Desarrollos Inteligentes
Redes Neuronales
Esta
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Regla de Grossberg
Stephen Grossberg estableci una regla de aprendizaje combinando el
aprendizaje Hebbiano con el olvido biolgico.
Cada red neuronal es hecha de instars y outstars, un instar es una neurona
recibiendo muchas entradas, un outstar es una neurona enviando su salida a
muchas otras neuronas. Si la actividad entrante y saliente de una neurona es alta,
los pesos cambiarn significativamente, sin embargo si ambas seales de
entrada y salida son pequeas, entonces los pesos sern modificados en valores
muy pequeos, los cuales pueden ser considerados como conexiones sin
importancia y pueden ser olvidados. El tipo de red neuronal a la que se aplica
esta regla es la ART.
2.4 Mtodos de entrenamiento.
Entrenamiento es el proceso mediante el cual una red neuronal aprende. El
formador provee a la red con ejemplos de las respuestas deseadas, a los cuales
se les conoce como patrones de entrenamiento, la diferencia entre la salida
obtenida y la salida deseada representa la pauta y medida de ajuste de los pesos
de conexin, esto se realiza utilizando una regla de aprendizaje, posteriormente
se prueba con ejemplos sin salidas para los cuales la red debe crear grupos con
caractersticas similares, a estos patrones se les denomina patrones de prueba.
El entrenamiento podra incluir actividades como proveer acceso a bases de
datos en donde radican los patrones de entrenamiento, colocar objetos frente a
sensores de algn tipo, o bien presentar imgenes.
Despus del entrenamiento, el sistema est listo para utilizarse. Dependiendo de
la tarea a ser realizada, la red podra
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Aprendizaje hibrido
En este mtodo de aprendizaje se combinan ambos tipos de entrenamiento, el
supervisado y el no supervisado, los cuales tienen lugar normalmente en
distintas capas de neuronas. El modelo de contra-propagacin es un ejemplo de
esta forma de entrenamiento (Martn del Bro Bonifacio, 2007, pp 28).
Aprendizaje reforzado
Es un tipo de aprendizaje que se puede ubicar entre el supervisado y el
autoorganizado. Se emplea informacin sobre el error cometido, pero existe un
nica seal de error, no se suministra la salida deseada, tambin se denomina
aprendizaje por premio-castigo.
2.5
Back Propagation.
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Para la explicacin siguiente supondremos que tenemos una red de tres capas
(sin prdida de generalidad), una capa de entrada, una capa de salida y una capa
oculta.
Se presenta una trama de entrada X, sus componentes son recibidos por las
neuronas de la capa de entrada (se tienen n neuronas), la propagacin hacia
adelante se contina determinando la entrada neta a las neuronas de la capa
oculta mediante la frmula siguiente:
Neta hi = X1We1hi + X2We2hi + . . . + XnWenhi + h
Para i = 1,m
En donde :
Xj
Desarrollos Inteligentes
yi = f(Neta hi )
Redes Neuronales
Para i = 1,m
Para k = 1,s
Desarrollos Inteligentes
Redes Neuronales
Para entrenar una red, cuya fase se mostrar a continuacin, se deben tener los
siguientes elementos:
- Un conjunto de datos correspondientes a patrones de entrenamiento dados por
los vectores Xp, Dp para p = 1,np siendo np el nmero total de patrones
con que se cuenta.
- Un conjunto de datos de prueba denominados patrones de prueba Xd, Dd
para d= 1,nd siendo nd el nmero total de patrones.
Ramn, 1995):
1.
2.
3.
Desarrollos Inteligentes
4.
Redes Neuronales
5.
j = 1,m.
6.
para k=1,np
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
La arquitectura de las redes SOFM est constituida por dos capas de neuronas,
la primera capa que es la de entrada o sensorial esta formada por m neuronas,
una por cada variable de entrada comportndose como buffers que distribuyen
la seal proveniente del exterior hacia las neuronas de la segunda capa en forma
unidireccional.
La segunda capa est integrada por neuronas que conforman el mapa de rasgos
y por tanto ser la capa de salida, que es en donde se realizan los clculos, sus
neuronas se organizan en una estructura rectangular de nxn elementos, a cada
una se le suelen asociar los ndices i,j.
Cada neurona de entrada (k = 1, m), est conectada a todas las neuronas del
mapa de salida (i,j) mediante pesos sinpticos Wkij como se muestra en la
figura 2.6.1.
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
menor de todas.
Paso 5. Actualizar los pesos sinpticos
Se actualizan los pesos de la neurona ganadora como los
de sus vecinas, para ello se utiliza alguna regla como la
siguiente:
Wijk(t + 1) = Wijk(t)+ (t)*h(|i c| , t)*(Xk(t) Wijk(t))
En donde:
(t) Es un parmetro llamado ritmo de aprendizaje en t.
disminuye a medida que avanza t, pudiese
utilizarse la expresin (t) = (0)*(1 t/T)
Siendo T el nmero total de iteraciones
(0) el valor inicial de
h(.) Se denomina funcin de vecindad, ya que establece
cuales son las neuronas vecinas de c. Depende de la
distancia entre la neurona i y la ganadora c, valiendo
cero cuando i no pertenece a la vecindad de c.
5
Desarrollos Inteligentes
Redes Neuronales
Al igual que , h puede disminuirse a medida que t
Avanza.
|i c| = ((i-c1)2 + (j c2)2)1/2
En donde R(t) es el radio de vecindad actual, puede variar con t, se inicia con
cierto valor Ro grande que no sobrepase la mitad del mapa en un lado y debe
terminar con un valor final Rf = 1, se puede utilizar la siguiente expresin:
R(t) = Ro + (Rf Ro)*(t / T)
Otras funciones de vecindad pueden ser:
Desarrollos Inteligentes
Redes Neuronales
- Gaussiana
- Funcin pipa
- Sombrero mexicano
- Rectangular
Procesamiento de datos en una red SOM
Una vez entrenada la red, entra a la fase de operacin normal, en ella se
mantienen los pesos fijos y se efectan las siguientes operaciones:
- Cada neurona (i,j) calcula la similitud entre el vector de pesos Wij con el
vector de entrada X, esto de acuerdo con la medida de distancia o criterio de
similitud establecido.
- Se declara ganadora a la neurona c cuyo vector de pesos Wc es ms similar al
vector de entrada X.
d(Wc, X) = min{ d(Wij,X)}
ij
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Ei = -Xi(t)* ( Wij*Xj(t) i)
La energa de la red completa se obtiene sumando la energa de cada una de las
neuronas, considerando que la matriz de pesos es simtrica (Wij = Wji) y que la
diagonal principal es nula (Wii = 0):
n n
n
E = -(1/2)* WijXiXj + i*Xi
i=1 j=1
i=1
La energa de la red siempre estar limitada a un valor, por lo que la red siempre
llegar a un estado de mnima energa, que ser un mnimo local
correspondiente a un estado estable.
Entrenamiento de la red de Hopfield
El aprendizaje de la red consistir en lograr que almacene como estados estables
el conjunto de mnimos locales en la funcin de energa, y por tanto encontrar el
conjunto de pesos sinpticos W que hace que tenga como mnimos locales los
patrones de entrenamiento.
Si se utiliza la regla de Hebb y suponemos que las neuronas son de tipo Ising (es
decir sus estados de activacin son -1 y +1) con umbrales nulos, a partir de un
conjunto p de patrones, la regla de aprendizaje ser la siguiente:
p
Wij = (1/n) Xik*Xjk
K=1
Desarrollos Inteligentes
Redes Neuronales
Prediccin
Clasificacin
Asociacin de datos
Conceptualizacin de datos
Filtracin de datos
En la presente seccin se describirn en forma panormica estas categoras.
Prediccin.
En este tipo de aplicaciones se utilizan valores de entrada para predecir alguna
salida, por ejemplo en las predicciones climatolgicas, en el caso de la bolsa de
valores pronosticar el comportamiento del mercado, identificacin de personas
con riesgo de algn tipo de cncer,etc.
Algunos de los tipos de redes neuronales que se han utilizado para resolver estos
problemas son:
Back Propagation
Desarrollos Inteligentes
Redes Neuronales
Clasificacin.
Se trata de identificar a qu clase de objeto pertenecen los datos de entrada que
se presentan a la red, tal es el caso tpico de reconocimiento de patrones como
puede ser entrar una imagen e identificar el objeto que ah se presenta.
Las redes utilizadas en este caso son:
-
Counter-Propagation
Asociacin de datos.
Muy similar a la clasificacin de datos pero tambin reconoce datos que
contienen errores o ruido, como puede ser en los OCR en donde no solamente se
trata de reconocer el caracter que ha sido escaneado, sino tambin identificar
cundo el escner est trabajando en forma inapropiada.
Algunas redes aplicadas para estos casos son:
-
Hopfield
Mquina de Boltzman
Red de Hamming
Desarrollos Inteligentes
Redes Neuronales
Conceptualizacin de datos.
En estas aplicaciones se analizan las entradas con el propsito de inferir
relaciones que permitan integrarlas en grupos, por ejemplo en el caso de extraer
de una base de datos los nombres de aquellas personas que tienen cierta
probabilidad de adquirir un producto en particular.
Las redes neuronales para estos casos son:
-
Recirculacin
Adaline
Desarrollos Inteligentes
Redes Neuronales
PREGUNTAS
1. McCulloch y Pitts parten de cinco consideraciones acerca del comportamiento de las
neuronas, Cules son?.
2. Proporcione una definicin de red neuronal artificial.
3.Considerando el flujo de datos en el sistema, Cmo se pueden clasificar las redes
neuronales artificiales?.
4. Atendiendo a la operacin de una RNA como a la de una memoria capaz de asociar un
cierto patrn de entrada con algn patrn de salida. De qu tipos de redes se puede
hablar?.
5. La corriente conductista en Psicologa establece una definicin de aprendizaje que aplica
de una manera casi completa a los procesos y tcnicas de aprendizaje utilizadas en las redes
neuronales. Qu dice esa definicin?.
6. Esta regla es un modelo clsico de aprendizaje, fue establecida por Donald Hebb en
1949, esta basado en una forma de aprendizaje en las neuronas biolgicas. De qu manera
se puede enunciar ?.
7. En qu consiste el aprendizaje supervisado?.
8. En qu consiste el aprendizaje no supervisado?.
9. Quin propuso inicialmente la red de propagacin hacia atrs y cuando?, Quin
posteriormente la continu y cuando? Y Quin posteriormente la desarroll, la formaliz,
la populariz y cuando?.
10. Describa cmo est constituida la arquitectura de las redes SOFM.
Desarrollos Inteligentes
Redes Neuronales
acerca del
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
Desarrollos Inteligentes
Redes Neuronales
EJERCICIOS
1. Desarrolle los clculos necesarios para entrenar un clasificador lineal que
realice las operaciones lgicas AND y OR.
2.Qu problemas se presentan para que el clasificador lineal del ejercicio 1
realice la operacin lgica XOR?Porqu?.
3. Disee una red BPN tal que pueda realizar todas las operaciones lgicas
AND, OR, NOT y XOR.
Desarrollos Inteligentes
Redes Neuronales
REFERENCIAS WEB:
Htpp://proton.ucting.udg.mx/somi/memorias/cibernetica/cib_20.pdf
Fecha de acceso: 27/Nov/07
El modelo neuronal de McCulloch y Pitts.
http://www.geocities.com/fuentesr_99/ia.pdf
fecha: 27 / nov/07
tema: Redes neuronales
http://es.wikipedia.org/neurona_de_McCulloch-Pitts
fecha: 29/ Nov / 07
tema: modelo de Mcculloch y Pitts.
http://www2.uca.es/dept/leng_sist_informaticos/preal/23041/transpas/HMapasdeKohonen/ppframe.htm
fecha: 12 / Ene/08
tema: modelo de Kohonen
http://www.dacs.dtic.mil/tech/neural/neural.title.html
fecha: Oct/07
tema: Aplicaciones diversas
Desarrollos Inteligentes
Redes Neuronales
BIBLIOGRAFA.
Gutierrez Saenz Ral, (1996).- Introduccin a las didctica,
Esfinge
Hilera Gonzlez Jos Ramn, Martnez Hernando Vctor Jos
,(1995).- Redes Neuronales Artificiales. Addison-Wesley
Iberoamericana, E.U.A.
McCord Nelson Marilyn, Illingworth W.T., (1991).- A practical guide to neural
nets. Addison-Wesley, Massachusetts, U.S.A.
Martin del bro Bonifacio, Sanz Molina Alfredo, (2007).- Redes neuronales y
sistemas borrosos, Alfaomega Ra-ma, Mxico D.F.
Valluru B. Rao, Hayagriva V. Rao, (1995) .- C++ Neural Networks and Fuzzy
Logic. MIS:PRESS, USA.