Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap 1
Cap 1
Conceptos y Teoría de
Funcionamiento de las Redes
Neuronales Artificiales RNA
Profesor:
Dr. Ing. Juan Cevallos
Agosto 2010
Las RNA
• Son Modelos Matemáticos inspirados en
el funcionamientos de las Redes
Neuronales biológicas
• Compuestas por varias unidades de
procesamiento (neuronas)
– interligadas por conexiones (sinapsis)
• Eficientes donde los métodos de cálculo
tradicionales son considerados
inadecuados.
ESTRUCTURA DE UNA RNA
Modelo de RNA
Neuronas intermedias
Neuronas de Neuronas de
Entrada salída
Conexiones
Aplicaciones de las RNA
Empresa:
• Explotación de bases de datos.
• Optimización.
• Reconocimiento de caracteres escritos.
Finanzas:
• Valoración de riesgo de los créditos.
• Identificación de firmas.
• Previsión de la evolución de los precios.
Aplicaciones…
Manufactura:
• Automatización y Sistemas de control (con sensores).
• Control de producción.
• Inspección de la calidad.
Medicina.
• Diagnóstico a partir de síntomas.
• Predicción de reacciones a medicinas.
• Lectores de Rayos X.
Militares:
• Clasificación de sañales de radar;
• armas inteligentes,
• optimización del uso de recursos.
Precisando el Concepto
• Una RNA es un grafo consistente de un conjunto
de nodos, más un conjunto de conexiones
establecidas entre ellos.
• A cada nodo i se asocia una variable de estado
x i.
• A cada conexión (i,j) de los nodos i y j se asocia
un peso wij.
• A cada nodo i se asocia un umbral өi.
• Para cada nodo i se define una función de
transferencia fi.
• Las RNA aprenden de los datos (se entrenan),
se graba lo aprendido y se aplican para
solucionar problemas o ser aplicadas.
Tipos de Aprendizaje de las RNA:
1. Supervisado
2. No Supervisado.
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.
¿PARA QUE?
• Para calcular los pesos correctos para los ejemplos
de entrenamiento.
• Una vez calculados los pesos podemos preveer cual
debe de ser el resultado para cualquier entrada.
• La red es lenta para entrenar, pero una vez
entrenada, nos ofrece salida de una manera bastante
rápida.
¿PARA QUE Y COMO ENTRENAR? (II)
¿COMO?
• Mediante algoritmos de entrenamiento.
• El algoritmo de Retropropagación es el más importante.
•¿Cuando paro?
•¿Lo he hecho bien?
¿PARA QUE Y COMO ENTRENAR? (III)
• Condición de parada:
• Establecer un número máximo de iteraciones.
• Establecer la cota máxima de error.
• Obtener un error nulo
¿PARA QUE Y COMO ENTRENAR? (IV)
COMPROBACIONES FINALES:
Se denomina envolvente convexa o polígono convexo de un
conjunto de puntos, al conjunto de aristas que forma un
polígono cerrado que contiene a todos los puntos de dicho
conjunto, con la particularidad de que ampliando
cualquiera de sus aristas, no divide al polígono.
• Una vez que las firmas han sido digitalizadas se procede
a la extracción de envolventes; cada envolvente se divide
en 12 partes, a cada una de ellas se le asigna un valor
entero que representa la forma de la parte.